S ta n is la v F a jg e lj

METODE
ISTRAŽIVANJA PONAŠANJA
II d o p u n je n o iz d a n je

CENTAR ZA PRIMENJENU PSIHOLOGIJU

BEOGRAD
2005
 Prof. dr Stanislav Fajgelj

M E T O D E IS T R A Ž IV A N JA PO N A ŠA N JA
Dmgo dopunjeno izdanje, 2005. godine

Recenzenti
Prof. dr Lajoš Genc
Prof. dr Dejan Todorović

Izdavač
Centar za primenjenu psihologiju
Beograd, Đušina br. 7/III
tel./faks: 011/3239-685

Za izdavača
Duško Babić

Likovno rešenje korica

Dragana Božić

Lektor i korektor
Milorad Rikalo

Grafičko iiređenje i računarski slog

Stanislav Fajgelj

Stampa:
Centar za primenjenu psihologiju, Beograd

Format: 17 x 24 cm
Tiraž: 500
 P R E D G O V O R D R U G O M IZDANJU

Ova knjiga je, sticajem okolnosti, imala relativno dugu predistoriju: od

„Priručnika za socijalna istraživanja”, preko nekoliko verzija skripti do prvog
izdanja. Svako prethodno izdanje bilo je jedno novo iskustvo koje mi je pomagalo
da priredim sledeće. Sada, otprilike godinu dana nakon pojavljivanja prvog izda-
nja, novo izdanje bilo je lepa prilika i povod da nastavim sa poboljšavanjem
teksta. Prilično neočekivano, prvi izvor smemica za poboljšanje teksta bila je
moja tekuća praksa univerzitetskog nastavnika metodologije. Pokazalo se, naime,
da kada koristite knjigu za sastavljanje testova znanja za kolokvijume i ispite,
kristalno jasno uočavate koje su teme bitne, a koje nebitne i koji delovi teksta su
jasni, a koji nisu. Ako neko poglavlje ne možete jednostavno da pretočite u ispit-
no pitanje, onda je ono verovatno konfuzno napisano.
Drugi izvor smemica su bili recenzenti, referenti na javnoj promociji knjige,
pisci prikaza i druge kolege, iz struke, čija sam zapažanja u većini usvojio, sa
zadovoljstvom, a ona koja nisam usvojio to je bilo više iz praktičnih, nego načel-
nih razloga. Svaka se stvar može napraviti na više načina, a pogotovo knjiga ovog
obima. Smatrao sam da moj cilj nije da objedinjujem sve te načine, jer je to
nemoguće, nego da usvojim jedan način i da ga sprovedem dosledno i celovito.
Neka to bude opšti odgovor čitaocima koji se pitaju zašto u knjizi nečega nema,
zašto ga ima premalo, ili ga ima previše.
U čemu je drugo izdanje različito od prvog? Svuda u tekstu se mogu naći
doterani pasusi i rečenice, u smislu bolje čitljivosti i jasnijeg izraza. To je onaj
minimum koji sam, kao autor, dugovao čitaocima. Pored toga, u svim glavama je
bilo i krupnijih izmena teksta. Većina takvih izmena se odnosila na novi način
prezentiranja odredene tematike i uvrštavanja novih činjenica ili novih primera.
Primer jedne takve krupne izmene je uvodenje posebnog poglavlja o analizi
kvalitativnih podataka, u kome sam objedinio materiju koja se nesistematski
ponavljala na više mesta u knjizi (npr. u intervjuu, analizi sadržaja, utemeljenoj
teoriji i sl.).
Dodat je izvestan broj eksperimentalnih nacrta i drugih tipova istraživanja.
Poglavlje o utemeljenoj teoriji prerađeno je tako da bude okosnica „kvalitativne
paradigme”, barem u ovom tekstu. Poglavlja o analizi sadržaja i analizi socijalnih
mreža (sociometriji) pretrpela su značajne izmene. Dopunjeno je poglavlje o
neposrednom posmatranju, kao i mnoga druga poglavlja. Dodato je nekoliko spis-
kova sa praktičnim uputstvima i sugestijama, kao što je, na primer, spisak poželj-
nih osobina kod istraživača. Dodat je izvestan broj primera, manje nego što ih ima
u nekim drugim sličnim knjigama, ali dovoljno. Da se obim knjige ne bi značajno
uvećao nakon pomenutih dopuna, neka poglavlja su učinjena sažetijim, kao na
primer cela glava o uzorkovanju.
Mnogi delovi teksta su pronienili mesto, a mnoga poglavlja su promenila
naslove. Time je, po mom uverenju povećana logička koherentnost teksta. U
svemu tome bilo je vrlo malo izmena u značenju i faktografiji, pa prvo i drugo
izdanje nisu međusobno posvađani.
Svaki naučni projekt, bilo da je empirijsko istraživanje ili pisanje knjige o
istraživanjima, ima jednu te istu konačnu fazu. Ta konačna faza su čitaoci. Čita-
oci su za knjigu od najveće važnosti i neko može da se pita zašto ta faza nije
obrađena u knjizi, kao posebno poglavlje. Zato što to poglavlje pišu sami čitaoci,
onda kada knjiga izade u svet i kada više nije u vlasti autora. Meni, kao i svakom
autoru, ostaje da se nadam da će to biti jedno lepo i uspešno poglavlje.

Beograd, oktobar 2005. Autor

 SADRZAJ

U V O D U I S T R A Z I V A N J E P O N A S A N J A .................................... 15
A. Namena i koncepcija knjige .............................................................. 15
B. Šta je istraživanje u naukama o ponašanju ...................................... 16
1. Sta su društvene n a u k e .............................................................. 17
2. Naučno istraživanje ponašanja................................................. 18
3. Neka važna pitanja istraživanja ponašanja ...........................21
C. Epistemološke osnove istraživanja ponašanja................................. 25
1. Š taje epistemologija ................................................................ 25
2. Osnovni ciljevi epistemologije ...............................................26
3. Osnovni epistemološki p rin c ip i...............................................26
4. Šta je naučni metod ...................................................................32
5. Š ta je n a u k a ................................................................................ 35
6. Š taje is tin a .................................................................................. 38
7. Osnovni elementi naučnog saznanja ......................................40
8. Problem uzročnosti ...................................................................51
9. Objašnjenje i razum evanje....................................................... 58
D. Individualne raz lik e ..............! ..............................................................60
1. Slučajnost i determinizarn - istorijski u v o d ...........................61
2. Šta je verovatnoća i u kakvoj je vezi sa slučajem ................62
3. Slučaj i praksa ............................................................................64
4. Slučajnost, saznanje i m e re n je .................................................66
5. Slučajnost i razvoj je d in k e ........................................................67
6. Paradoksi slučajnosti ................................................................ 69
7. Izvori individualnih razlika ..................................................... 71
8. Greške merenja ......................................................................... 75
9. Analiza individualnih ra z lik a ...................................................77
10. Slučaj i veze između pojava - ko relacija............................... 79
E. Teorija m e re n ja .....................................................................................81
 1. Pretpostavka kvantitativnog sv o jstv a......................................82
2. Uspostavljanje povezanosti između sveta i z n a k o v a ........... 83
3. Prvi i drugi Campbellov zakon merenja ............................... 84
4. Fundamentalno i izvedeno m e re n je ........................................ 86
5. Problem aditivnosti ...................................................................87
6. Kombinovano m eren je.............................................................. 88
7. Merenje, skaliranje i nivoi m e re n ja ........................................90
8. Zaključci o fonnalnoj teoriji merenja ....................................95
9. Kako se dokazuje da je svojstvo merljivo .............................97
10. „Praktična” teorija merenja ..................................................... 98
11. Problem usklađivanja statističkih tehnika i istraživačkih
p o d atak a.......................................................................................99

II. O S N O V N I E L E M E N T I E M P IR IJ S K O G I S T R A Ž IV A N J A
P O N A Š A N J A ......................................................................................... 111
A. Teorijski okvir istra živ a n ja.............................................................. 111
1. Izbor teorijske perspektive..................................................... 111
2. Koje perspektive postoje ........................................................ 112
3. Izbor opšteg pristupa istraživanju ........................................ 117
4. Izbor strukture istraživanja i istraživačkih metoda ........... 125
5. Na osnovu čega se vrši iz b o r ................................................. 126
B. Varijabla .............................................................................................. 130
1. Entiteti i a trib u ti....................................................................... .130
2. Od entiteta i atributa do ispitanika i v arijab li...................... .131
3. Varijable i merenje ponašanja ................................................134
4. Manifestne i latentne v arijab le....................................135
5. Kvantifikatorska i strukturalna uloga varijabli ...................137
6. Osobine i stanja ....................................................................... .138
7. Varijable u empirijskom istraživ an ju................................... .139
8. Nezavisne i zavisne v arijab le..................................................142
9. Aktivne i deskriptivne v arijab le............................................ .144
10. Moderatorske i medijatorske v arijab le................................. .147
11. Osnovna matriea p o d atak a..................................................... .150
C. Problem i cilj istra ž iv a n ja ..................................................................157
1. Izvori id e ja ................................................................................ .157
2. Problem istraživanja..................................................................160
3. Cilj istraživanja ....................................................................... .162
D. Istraživanje u b ib lio te c i......................................................................163
E. Hipoteze i istraživačka pitanja .........................................................170
1. Da li su hipoteze uvek p o treb n e............................................ .172
F. Struktura, projekt i p r e d lo g .............................................................. .173
G. Validnost istraživanja ....................................................................... .178
1. Intema validnost....................................................................... 178
2. Ekstema validnost ................................................................... 184
 3. Konstruktivna v alid n o st..........................................................186
H. Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187

III. V R S T E I S T R A Ž I V A N J A ................................................................ 190

A. Dodeljivanje objekata u g n ip e .......................................................... 191
1. Randomizacija o b jek ata.......................................................... 193
2. Tehnike jednačenja grupa ..................................................... 196
3. Dodeljivanje u nacrtu sa ponovljenim m e ren jim a............. 198
B. Eksperimentalno istraživanje ..........................................................201
1. Šta se podrazumeva pod manipulacijom i kontrolom . . . .' 204
2. Osnovni eksperimentalni n a c rt...............................................206
3. Značaj poređenja u istraživanju.............................................208
4. Smisao kontrolne grupe i pretesta ........................................ 209
5. Kontrola varijanse kao opšti istraživački z a d a ta k ............. 210
6. Pogrešni eksperimentalni n a c rti.............................................213
7. Ostali eksperimentalni n a c r ti................................................. 215
8. Nacrt analize kovarijanse........................................................218
9. Složeni eksperimentalni n a c rti...............................................218
10. Nacrti sa ponovljenim merenjima ........................................ 222
C. Kvazi-eksperimentalno istraživanje ...............................................225
1. Nacrt sa neekvivalentnom kontrolnom g ru p o m ..................227
2. Nacrt prekinutih vremenskih serija ......................................228
D. Laboratorijski i terenski eksperiment ............................................ 229
1. Prirodni eksperiment .............................................................. 234
2. Multivarijatni eksperim ent..................................................... 234
E. Neeksperimentalno istraživanje ..................................................... 236
1. Zaključci o razlici eksperimentalnih i neeksperinientalnih
istraživ anja................................................................................ 239
2. Terensko istraživanje.............................................................. 240
F. Anketno istraživanje ......................................................................... 243"
1. Vrste anketnih istraživanja..................................................... 246
2. Računarski podržano anketiranje.......................................... 248
G. Korelaciono i strukturalno istraživanje.......................................... 252
1. Predikcija i uzročnost.............................................................. 253
2. Strukturahio istraživanje ........................................................255
H. Transferzalno i longitudinalno istraživanje................................... 255
1. Istraživanje kohorti ................................................................ 258
2. Retrospektivno istra živ a n je................................................... 259
I. Specijalna i namenska istra živ a n ja................................................. 260
1. Komparativna analiza i komparativne s tu d ije .................... 260
2. Pilot istraživanje....................................................................... 261
3. Akciono istraživanje .............................................................. 262
4. Evaluativno istraživanje..........................................................263
5. Mctodološka istraživ an ja....................................................... 266
 1. Pretpostavka kvantitativnog sv o jstv a......................................82
2. Uspostavljanje povezanosti između sveta i z n a k o v a ........... 83
3. Prvi i drugi Campbellov zakon merenja ............................... 84
4. Fundamentalno i izvedeno m e re n je ........................................86
5. Problem aditivnosti ...................................................................87
6. Kombinovano m eren je.............................................................. 88
7. Merenje, skaliranje i nivoi m e re n ja ........................................ 90
8. Zaključci o formalnoj teoriji merenja ....................................95
9. Kako se dokazuje d aje svojstvo m e rljiv o .............................97
10. „Praktična” teorijam erenja ..................................................... 98
11. Problem usklađivanja statističkih tehnika i istraživačkih
p o d atak a.......................................................................................99

II. O S N O V N I E L E M E N T I E M P IR IJ S K O G IS T R A Ž IV A N J A
P O N A Š A N J A ......................................................................................... 111
A. Teorijski okvir istraživ an ja.............................................................. 111
1. Izbor teorijske perspektive..................................................... .111
2. Koje perspektive postoje ....................................................... .112
3. Izbor opšteg pristupa istraživanju .........................................117
4. Izbor strukture istraživanja i istraživačkih metoda ........... .125
5. Na osnovu čega se vrši iz b o r ..................................................126
B. Varijabla ............................................................................................. .130
1. Entiteti i a trib u ti....................................................................... 130
2. Od entiteta i atributa do ispitanika i varijabli...................... 131
3. Varijable i merenje p o n a š a n ja ............................................... 134
4. Manifestne i latentne v arijab le............................... . . . 135
5. Kvantifikatorska i strukturalna uloga varijabli . . . .*......... 137
6. Osobine i stanja ....................................................................... 138
7. Varijable u empirijskom istraživanju.................................... 139
8. Nezavisne i zavisne v arijab le................................................. 142
9. Aktivne i deskriptivne v arijab le............................................ 144
10. Moderatorske i medijatorske v arijab le................................. 147
11. Osnovna matrica p o d atak a..................................................... 150
C. Problem i cilj istra živ a n ja................................................................ 157
1. Izvori id e ja ................................................................................ .157
2. Problem istraživanja................................................................ .160
3. Cilj istraživanja ....................................................................... .162
D. Istraživanje u b ib lio te c i......................................................................163
E. Hipoteze i istraživačka pitanja ....................................................... .170
1. Da li su hipoteze uvek p o treb n e............................................ .172
F. Struktura, projekt i p re d lo g .............................................................. .173
G. Validnost istraživanja ........................................................................178
1. Intema validnost....................................................................... 178
2. Ekstema validnost .................................................................. 184
 3. Konstruktivna v alid n o st.......................................................... 186
H. Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187

III. V R S T E I S T R A Ž I V A N J A ................................................................ 190

A. Dodeljivanje objekata u g ru p e ......................................................... 191
1. Randomizacija o b je k a ta ......................................................... 193
2. Tehnike jednačenja grupa ..................................................... 196
3. Dodeljivanje u nacrtu sa ponovljenim m e ren jim a............. 198
B. Eksperimentalno istraživanje ..........................................................201
1. Šta se podrazumeva pod manipulacijom i kontrolom . . . . 204
2. Osnovni eksperimentalni n a c rt...............................................206
3. Značaj poređenja u istraživanju ............................................ 208
4. Sniisao kontrolne grupe i pretesta ........................................209
5. Kontrola varijanse kao opšti istraživački z a d a ta k ............. 210
6. Pogrešni eksperimentalni n a c rti............................................ 213
7. Ostali eksperimentalni n a c r ti.................................................215
8. Nacrt analize kovarijanse....................................................... 218
9. Složeni eksperimentalni n a c rti...............................................218
10. Nacrti sa ponovljenim merenjima ........................................222
C. Kvazi-eksperimentalno istraživanje ...............................................225
1. Nacrt sa neekvivalentnom kontrolnom g ru p o m ..................227
2. Nacrt prekinutih vremenskih serija ......................................228
D. Laboratorijski i terenski eksperiment ............................................ 229
1. Prirodni eksperiment .............................................................. 234
2. Multivarijatni eksperim ent..................................................... 234
E. Neeksperimentalno istraživanje ..................................................... 236
1. Zaključci o razlici eksperimentalnih i neeksperimentalnih
istraživ an ja................................................................................239
2. Terensko istraživ an je.............................................................. 240
F. Anketno istraživanje ......................................................................... 243
1. Vrste anketnih istraživanja..................................................... 246
2. Računarski podržano anketiranje.......................................... 248
G. Korelaciono i strukturalno istraživanje.......................................... 252
1. Predikcija i uzročnost.............................................................. 253
2. Strukturahio istraživanje ....................................................... 255
H. Transferzalno i longitudinalno istraživanje....................................255
1. Istraživanje kohorti ................................................................ 258
2. Retrospeklivno istraživ an je................................................... 259
I. Specijalna i namenska istra živ a n ja.................................................260
1. Komparativna analiza i komparativne studije ....................260
2. Pilot istraživanje.......................................................................261
3. Akciono istraživanje ..............................................................262
4. Evaluativno istraživanje......................................................... 263
5. Metodološka istraživ anja....................................................... 266
 6. Konstrukcija memih inslrum en ata........................................ 266
7. „Edukativno” i „pravo” istraživanje ....................................267
? J. Studija s lu č a ja .....................................................................................269
1. Etnografsko i biografsko istraživanje ................................. 273
K. Utemeljena te o rija .............................................................................. 275
1. Gradnja utemeljenog teorijskog modela ............................. 278
2. Jedan potpuniji primer utemeljene teorije ...........................284
L. Meta-analiza ....................................................................................... 285
1. Veličina e f e k ta ..........................................................................287
2. Konibinovanje testova značajnosti........................................ 292
3. Kombinovanje ostalih tipova veličine efe k ta ...................... 293
4. Konverzije veličine e f e k ta ..................................................... 295
5. Koraci kvantitativne m e ta-an alize........................................ 297
6. Efekat fioke .............................................................................. 299
7. Kvalitativna meta-analiza ......................................................299

IV. M ETO DE I TEHNIKE M ER EN JA ............................................ 301

A. Kvantitativne i kvalitativne metode ...............................................302
1. Razlika u nivou merenja ........................................................302
2. Pitanje klasifikacije .................................................................303
3. Kvalitativna altemativa kvantitativnim metodama ........... 304
4. Interakcija, validnost i o b jek tiv n o st......................................306
5. Sličnosti i p rep litan ja .............................................................. 308
6. Završna zapažanja o razlici kvantitativnih i kvalitativnih
metoda .......................................................................................309
7. Uvodni komentar 0 prikazanim metodama ........................ 310
B. Neposredno posm atranje...................................................................311
1. Posmatranje i merenje ............................................................ 311
2. Ko se i šta se posm atra............................................................ 312
3. Vrste neposrednog posm atran ja............................................ 313
4. Posmatrač - osnovni merni instrument p o sm atran ja.........314
5. Beleženje posmatranog .......................................................... 317
C. Učesničko posm atran je..................................................................... 321
D. Psihološko testiranje ..........................................................................324
1. Definicije te s t a ..........................................................................324
2. Vrste testova.............................................................................. 325
3. Delovi testa ..............................................................................327
4. Konstmkcija te sta ..................................................................... 329
5. Modeli merenja i teorije te sto v a............................................ 330
6. Mema svojstva stavki i testova ............................................ 332
7. Računarsko adaptivno testiranje .......................................... 334
8. Nekoliko opštih komentara o psihološkom testiranju . . . . 334
E. Skale procene .....................................................................................335
F. U p itn ik ..................................................................................................339
 G. , Intervju .................................... ........................................................... .347 f
H. / Fokus g ru p e ............................. ........................................................... 352
1. Praktična pitanja organizacije i sprovođenja fokus grupa . 354
2. Izvori ugrožavanja validnosti u fokus g rupam a..................358
3. Nedostaci fokus g r u p a ............................................................359
I. Analiza socijalne mreže i sociometrija .......................................... 360
J. Igranje uloga .......................................................................................365
K. i Analiza sadržaja ................................................................................ 367
1. Definicije analize s a d rž a ja ..................................................... 368
2. Analiza sadržaja - kvantitativna ili kvalitativna metoda ., 370
3. Sta se analizira u analizi sadržaja.......................................... 370
4. Osnovni elementi analize sad ržaja........................................ 374
5. Primena računara u analizi te k sta.......................................... 378
6. Analiza sadržaja audio i video zapisa ................................. 379
! L. Narativna a n a liz a ................................................................................ 380
ij M. Kodiranje i analiza kvalitativnih podataka ................................... 382
\ / 1. Beleženje i snimanje .............................................................. 383
^ 2. Transkripcija ............................................................................384
3. K ategorije.................................................................................. 385
4. K o d ira n je .................................................................................. 387
5. Usaglašavanje kodera i pouzdanost k o d iran ja .................... 389
6. Primena računara u analizi kvalitativnih podataka ........... 390
N. Analiza sekundamih podataka ....................................................... 393
O. Merenje stavova ................................................................................ 395
1. Metode merenja stavova ....................................................... 397
2. Skale s ta v o v a ............................................................................399
P. Pouzdanost m erenja............................................................................416
1. Tipovi pouzdanosti...................................................................417
2. Granične vrednosti koeficijentapouzdanosti...................... 420
Q. Valjanost m e re n ja ..............................................................................421
1. Tipovi valjanosti .....................................................................422
2. Neki izvori ugrožavanja validnosti merenja ...................... 425
3. Paradoks atenuacije .................................................................426
4. K olikaje validnost potrebna .................................................426

V. S P R O V O Đ E N J E E M P I R I J S K I H I S T R A Ž I V A N J A ........... 428
A. Praktični problemi i moguća re š e n ja .............................................. 428
1. Tehnički i organizacioni p ro b lem i........................................429
2. Problemi sa saradnicima ....................................................... 430
3. Problemi sa ispitanicima ....................................................... 433
B. Etička p ita n ja .......................................................................................439
1. Moralan odnos prema istraživanju........................................439
2. Moralan odnos prema ispitanicima ......................................440
3. „Eksperiment Milgram” ..........................................................447
 C. Primena računara u istraživanju p o n ašan ja....................................450
1. Unos p o d a ta k a ......................................................................... 451
2. Kodeks š if a r a ............................................................................455
3. In te m e t.......................................................................................459
4. Trajnost resursa na Interaetu .................................................460
5. Baze podataka iz istraživanja-m etabaze ...........................461
6. Pisanje .......................................................................................462
7. Računari i merenje naučne produkcije................................. 465
8. Osnovni problemi primene računara u istraživanju
p o n a š a n ja .................................................................................. 465

V I. O S N O V I K V A N T I T A T I V N E A N A L I Z E P O D A T A K A . 467
A. Osnovni p o jm o v i................................................................................ 471
1. Populacija i u zo ra k ...................................................................471
2. Matematički jezik sta tistik e ................................................... 472
3. Devijacioni i standardizovani s k o ro v i................................. 474
4. Normalna distribucija.............................................................. 475
B. Deskriptivna statistik a....................................................................... 477
1. Parametri i statistici ................................................................ 478
2. Mere centralne tendencije ..................................................... 479
3. Mere varijabilnosti...................................................................482
4. Mere oblika distrib u cije..........................................................484
5. Standardne greške i intervali po v eren ja............................... 486
6. Kategorijalne v arijab le............................................................ 488
7. Neka dodatna pitanja u vezi deskriptivne statistik e........... 490
C. Korelacija i re g re sija ......................................................................... 492
1. Regresija .................................................................................. 492
2. K orelacija.................................................................................. 495
D. Višestruka regresija i višestruka k o relacija....................................498
E. Statistika zaključivanja-testiranje hipoteza ............................... 503
1. Statističke hipoteze .................................................................504
2. Verovatnoća testa i statistička značajnost ...........................507
3. Distribucije uzoraka ra z lik a ................................................... 510
4. Alternativna hipoteza i dvosmerno nasuprot
jednosmemom testiranju ........................................................513
5. Dodatne napomene 0 testiranju h ip o te za.............................516
6. Sličnost korelacija i razlika ................................................... 519
F. Da li je testiranje značajnosti nulte hipoteze korisno ..................520
G. x ^ te s t.................................................................................................... 526
1. Tabele kontingencije .............................................................. 529
H. Grafičko prikazivanje rez u ltata........................................................535
1. Vrste grafikona i primeri ........................................................535
I. Primena računara u statističkoj obradi .......................................... 539
1. Statistička analiza u najopštijem sm islu ............................... 540
 2. Problem inteipretacije rezultata statističke obrade ........... 543

V II. U Z O R K O V A N J E .................................................................................. 546

A. Osnovni p o jm o v i................................................................................546
B. Osnovni principi iizorkovanja..........................................................550
C. Reprezentativnost uzorka ................................................................ 554
D. Veličina u z o r k a .................................................................................. 555
1. Kako odrediti potrebnu veličinu uzorka ............................. 559
2. Istraživanje cele populacije - p o p is ......................................564
3. Problem malih grupa-stratuma i problem retkih pojava .. 565
4. Reprezentativnost, veličina uzorka i korelacija
između pojava ......................................................................... 566
5. „Dobrovoljačka greška” ..........................................................567
E. Slučajni ili probabilistički uzorci ...................................................568
1. Spisak p o p u lacije.....................................................................568
2. Prosto slučajno b ira n je ............................................................570
3. Sistematsko biranje sa jeđnakim verovatnoćam a............... 572
4. Stratifikovano shičajno biranje ............................................ 573
5. P onderisanje..............................................................................574
6. Klaster biranje ......................................................................... 577
7. Višeetapno b ira n je ...................................................................577
8. Slučajno biranje telefonskih brojeva ....................................580
F. Ncprobabilistički uzorci ...................................................................582
1. Prigodno b iran je....................................................................... 582
2. Namemo b iran je....................................................................... 583
3. Kvotni u zo rak ........................................................................... 585
4. Problemi k v o ta ......................................................................... 587
5. Mešovito biranje .....................................................................589
6. Neke opšte sugestije za neprobabihstičko uzorkovanje . . . 590
7. Neke posebne tehnike i modifikacije u z o ra k a ....................591
G. Poređenje probabiHstičkih i neprobabihstičkih u z o ra k a ............. 592
1. Svako uzorkovanje ima skrivene etape ............................... 592
2. Netačnost dokumentacije na osnovu koje se vrši
uzorkovanje ..............................................................................593
3. Razlika planiranog od realizovanog u z o rk a ........................ 594
4. Usaglašenost formula i tipa uzorka ......................................595
5. Poredenje kvotnog i shičajnog u z o rk a ................................. 596
H. Upotreba računara u uzo rk o v an ju ................................................... 598

V III. P IS A N J E I S T I ^ Ž I V A Č K I H I Z V E Š T A J A ........................ 600

1. Šta su naučne p u blikacije....................................................... 601
2. Vrste ra d o v a ..............................................................................604
B. Merenje naučne p ro d u k cije.............................................................. 607
1. Kvalitativni pokazatelji naučnih radova-recenzije .........609
 2. Kvalitativni pokazatelji naučnih č a so p isa .......................... 611
3. Kvantitativno ocenjivanje naučnog r a d a ............................ 612
4. Etička pravila pisanja.............................................................616
C. Pravila pisanja istraživačkih izveštaja............................................619
1. Elementi s t i l a ......................................................................... 619
2. Delovi i stmktura istraživačkih izveštaja............................ 620
3. Način citiranja i spisak literatiu-e......................................... 631
4. Pisanje teza i disertacija........................................................ 636
5. Pisanje projekta i predloga istraživanja...............................644

IX. BIBLIOGRAFIJA...................................................................645

X. IN D E K S P O JM O V A ......................................................................... 651
 I. U V O D U IS T R A ZIV A N JE P O N A ŠA N JA

A. Namena i koncepcija knjige

Ova knjiga je pisana sa ciljem đa bude korisna širokom auditorijumu:

studentima osnovnih studija, studentima postdiplomskih studija i istraživačima
kojima je potreban priručnik za neku od metoda. Nastojalo se, takođe, da knjiga
bude relevantna za sve, ili bar za većinu društveno naučnih disciplina. Knjigu
jeste napisao psiholog, imajući u vidu ono što najbolje poznaje. Medutim, to što
je knjiga „psihološka” nije nikakva posebna mana. Psihološka istraživanja su
dominantna u naučnoj pubhcistici i reflektuju sve prisutne pravce i paradigme.
Kasnije će u tekstu biti ukazano na važnu činjenicu da su u metodološkom
pogledu sva istraživanja slična, ako ne identična.
Razlozi za tako široko defmisanog ciljnog korisnika nisu samoljubivost
autora, nego racionalnost primerena publicistici malih naučnih zajednica - da za
svakog bude po nešto. Važno je znati da je postojalo snažno opredeljenje da
knjiga bude; a) praktična i što više direktno primenjiva, b) savremena po obuh-
vatu tema, pristupa i metoda i c) kritična, tj. da svako važno pitanje bude prodis-
kutovano i evaluirano sa više aspekata.
Oblast kojom se knjiga bavi je veoma široka,jer se, sajedne strane, graniči
sagnoseologijom, odnosno saznajnom teorijom kojaje filozofska disciplina i koja
obraduje pitanje čovekovog saznanja uopšte, a ne samo naučnog. Dalje, metodo-
logiju je nemoguće razumeti bez epistemologije kao „nauke o naukama”. Konač-
 no, metodolngija naučnog istraživanja, sama za sebe, kao „nauka o metodama”
može se izučavati na više načina i nivoa: od epistemološkog do potpuno pri-
menjenog.
U toj lcpezi mogućnosti, ova knjiga je napisana tako da bude što bliže
metodologiji i savremenoj „istraživačkoj praksi” a da filozofski i epistemološki
diskursi budu u malim dozama. Opšta filozofska, logička i epistemološka znanja,
nazovimo ih uslovno formalnim, našla su svoje mesto u ovoj knjizi u jednom
prilično kondenzovanom obliku. Detaljnu diskusiju i komparacije različitih
filozofskih pravaca treba potražiti u drugim knjigama koje postoje i na našem
jeziku. Naravno, knjiga mora da počiva na epistemološkim osnovama, jer nijedan
tekst, makar napisan i kao priručnik ne može da tvrdi pogrešne stvari.
Treba imati u vidu da su nauke o ponašanju uglavnom sasvim mlade nauke
i nedostaje obimno istorijsko iskustvo koje bi moglo biti podloga da se napiše
knjiga sa preciznim uputstvima istraživačima. Umesto takvih uputstava i gotovih
recepata, odlučili smo da u knjizi buduprezentirane osnovne činjenice ipravila
koji mogu poslužiti istraživaču da izvede svoja vlastita rešenja.
Dakle, praktičnost i kritičnost je teško postići skupa, u istom tekstu. Ovde
se ništa nije krilo, naprotiv. NastojaH smo da prikažemo sve važne dileme savre-
menih društvcnih istraživanja. Ali je sve moralo da bude „dozirano”, u okviru
želje da bude za svakoga po nešto. Neki komentari i neka vlastita iskustva sa
„Psihometrijom” (Fajgelj, 2005,1 izdanje) i prvim izdanjem ove knjige ukazivali
su da univerzahiost koncepcije ne odgovara studentima osnovnih studija jer imaju
suviše teksta za ovladavanje. Medutim, po rečima samih studenata, bolje je i tako
ncgo bez udžbcnika, a nije loše da jednom kupljena knjiga može da posluži i
kasnije'. Konačno, studcnti koji su se opredelili za nauke o ponašanju ne treba da
gaje očekivanja da postoje laka rešenja i jednostavna uputstva koja mogu stati u
knjigu džcpnog formata.

B. Sta je istraživanje u naukama o

ponašanju

Prvo pitanje na koje treba odgovoriti je pitanje o tome šta, zapravo,

podrazumevamo pod naučnim istraživanjem ponašanja. O kakvim istraživanjima
je reč? 0 kojim naukama je reč? O kojim granama, disciphnama ih oblastima tih

' Jer studentsko doba je kratko i prolazno, tck uvod u dugi profesionalni život.
Stuđentsko doba jc i lepo, što brucošima koji počinju da uče metodologiju možda ne izglcda
tako, ali uveravam ih da jeste.
nauka se radi? O kojim pristupima u okviru tih nauka je reč i u koje svrhe se vrše
ta istraživanja?
Postoje različite taksonomije nauka i one se raenjaju tokom vremena. U
savremenim taksonomijama nauka, od 1950. naovamo, sve češće se javlja termin
nauke o ponašanju. Taj se pojam vrlo često koristi sinonimno sa terminom druš-
tvene nauke, ali u ovoj knjizi nećemo izjednačavati ova dva pojma, iako se nauke
o ponašanju i društvene nauke značajno preklapaju. Na narednim stranama
objasnićemo šta podrazumevamo pod istraživanjem ponašanja, šta su nauke o
ponašanju i šta ih razdvaja od društvenih (socijainih) nauka.

1. Šta su društvene nauke

Pod društvenim, odnosno socijalnim naukama obično se podrazumevaju:

• sociologija,
• ekonomija,
• politikologija i
• socijalna psihologija.
Pored njih u društvene nauke se svrstava i etnologija (odnosno kuhuma i
socijahia antropologija) i posebne oblasti nekih drugih nauka, kao što su socijalna
i ekonomska statistika i socijalna i ekonomska geografija.
Društvenim naukama se mogu nazvati i komunikologija, koja se bavi izuča-
vanjem delovanja masovnih komunikacija na pojedinca i društvo i marketing,
odnosno istraživanje tržišta i potrošača.
Pravo je takode jedna široka profesionalna, stmčna i naučna oblast kojaje
relevantna samo u okviru društva, ali se u kontekstu društvenih nauka obično
spominje samo tzv. uporedno pravo. Slično se može reći za istoriju - jednim
svojim delom ona je neospomo društvena nauka.
Postoje i druge nauke ili njihove grane, zavisno od taksonomije, koje se
mogu tretirati kao dništvene nauke, a neke čak sadrže prefiks „socijalno” u svom
nazivu (kao npr. socijalna medicina). U novije vreme se ekologija]tAm m delom
tretira kao društvena nauka.
Obično se pravi razlika između humanističkih i društvenih nauka, iako
liniju razgraničenja nije uvek lako povući. Humanističkim naukama se smatraju
književnost, jezici, lingvistika i sve srodne discipline, zatim istorija, filozofija i sl.
Za njih su karakteristični holistički i idiografski pristup (v.) u kojima empirijska
istraživanja, merenje, kvantifikacija i generalizacije koje se vrše na osnovu njih,
imaju malo smisla. Međutim, na istoriju i lingvistiku jc izvršen pohod „digitalne
metodologije” (kao što su primena računara, ekspertski sistemi, Intemet i si.) i
empirijskog i kvantitativnog pristupa generalno, pa su se one u metodološkom
pogledu približile društvenim naukama. Neki autori smatraju da bi se lingvistika
u svakom slučaju trebala smatrati društvenom naukom, a da je istorija izmedu
dmštvenih i humanističkih nauka.
 Tvorac naziva sociologija, kao nauke o diuštvu, Auguste Comte^, je pod tim
pojmom podrazumevao vrh jednog misaonog univerzuma, na čijem je jednom
kraju astronomija, a na drugom sociologija. Sociologija je, po Comteu, krajnje
široka i univerzalna disciplina i tiče se čoveka i društva u svim njiliovim aspek-
tima. Danas možemo reći da nijedna nauka ne postoji van i bez društva, te da je
svaka nauka jednim svojim delom „društvena”. Na primer, diseminacija naučnih
saznanja je proces širenja poruka (kroz društvo), kao što se i primena naučnih
dostignuća odvija u društvu.
Osnovni problem koji je trebao da bude rešen pre pisanja ovog teksta je
problem klasifikacije dve „individualne” nauke: psihologije i pedagogije. U
psihologiji postoji debata oko toga da h je ona društvena ih prirodna nauka, jer
sadrži elemente i jednih i drugih. Bez obzira kako će ko odgovoriti na prethodno
pitanje, psihologija i pedagogija jesu društvene nauke u meri u kojoj one
izučavaju pojedinca kao društvenu jedinku i u meri u kojoj izučavaju njegove
društvene interakcije.
Ova knjiga je namenjena prvenstveno psiholozima, ah imajući u vidu i
individualni i socijahii aspekt njenog predmeta proučavanja - čoveka. Ipak,
knjiga uopšte nije namenjena samo psiholozima, nego socijabiim istraživačima u
cehni. Pokazalo se da je najbolji način da se obuhvate psihologija, društvene
nauke i empirijska istraživanja taj da se iskoristi jedan termin koji se u zadnje
vreme (od druge polovine XX veka) često koristi, posebno u anglosaksonskoj
literaturi - nauke o ponašanju (engl. behavioural sciences). Oni koji koriste taj
termin defmišu nauke o ponašanju kao nauke koje izučavaju čovekovo ponašanje,
bilo kao individue, bilo kao dela drušU'a i društvenih grupa.
U nauke o ponašanju se svrstavaju i psihjatrija, delovi biologije kao što je
teorija evolucije, zatim kriminologija, bihejvioralni aspekti prava, geografije i
drugih oblasti.

2. Naučno istraživanje ponašanja

Naučno istraživanje se često defmiše na nominalni, odnosno denotativni

način, nabrajanjem njegovih važnih svojstava. To su ona svojsta koja će u
poglavlju 0 epistemologiji biti označena kao epistemološki principi i principi
naučnog metoda, pa se za naučno istraživanje kaže daje objektivno, sistematično.

^ U ovoj knjizi koristiće se, u najvećoj meri, izvomo pisanje hčnih imena. Pravopis
srpskogjezika Matice srpske predviđa ovakvo rešenje, pogotovo u latiničnim tekstovima.
Izvomim pisanjem čitaocu se olakšava pretraživanje elektronskih biblioteka i Intemeta, a
nije nevažna ni olakšica ovom autoru kojom se izbegava često jalovo traganje za pravilnom
transkripcijom stranih imena. S druge strane, da li izvomo treba pisati Frojd, Njutn ili
recimo, Njujork? Kod tako poznatih imena, koristili smo ponekad i prilagođeno pisanje, jer
je očigledno da doslednost u primeni bilo izvomog, bi!o prilagođenog pisanja nije praktična
- pogotovo ako se imaju u vidu sve reči stranog porekla, a ne samo imena.
javno, ponovljivo, kritično, teorijski zasnovano itd. Pored toga, ono što je ovde
posebno važno i čemu je ova knjiga posvečena su em pirijska istraživanja. Em-
pirijska istraživanja u svakoj nauci zasnivaju se na prikupljanju iskustvenih
podataka za različite namene, a prvenstveno u cilju potvrđivanja i stvaranja
naučnih teorijal Na drugi način rečeno, kada se bilo koja nauka, pa i nauka o
ponašanju, zasniva na podacima, ona je empirijska nauka.
Za razliku od empirijskog istraživanja, naučnik se može baviti problemima
i na diskurzivan način - bez podataka. Može pisati rasprave, traktate, eseje,
polemike i drugo. Nekada se ovakav način istraživanja problema naziva teorlj-
skim istraživanjem , pa čak postoji i termin misaoni eksperiment (ideja Maxa
Webera, Milić, 1965, slična ideji kontrafakata (v.): šta bi se desilo da se desilo).
Dve discipline su i široj javnosti poznate po tome što isključivo koriste ovakav tip
istraživanja: matematika i filozofija. Naravno, i svakom empirijskom istraživanju
prethodi razmišljanje o problemu.
Empirijska istraživanja se bave proverom teorija, traženjem objašnjenja,
sticanjem znanja, stvaranjem novih hipoteza i teorija, ali uvek na osnovu empi-
rijskih podataka (koji se u filozofiji nazivaju iskustvom). Istraživanja koja nisu
empirijska, koja ne prikupljaju podatke, mogu imati iste namene i iste ciljeve -
sve osim provere teorija. Međutim, ni sva empirijska istraživanja nisu pogodna za
proveru hipoteza i teorija. Takva su kvalitativna istraživanja. Podaci koji mogu da
posluže testiranju hipoteza i teorija moraju biti prikupljeni nierenjem, koje na
svom elementamom nivou može da uključuje i klasifikaciju. Merenjem dobijamo
podatke, na prvom mestu kvantitativne, koji imaju „epistemološku snagu” da tes-
tiraju hipoteze. Istraživanja koja nemaju takve podatke mogu da stvaraju nove
hipoteze i teorije, ali ne mogu da ih dokazuju. Nekada je podatke koje prikupljaju
kvalitativna istraživanja moguće transformisati ili reorganizovati, tako da mogu
poslužiti za testiranje teorija. Najbolji način da se to uradi je meta-analiza (v.),
koja na osnovu više kvalitativnih istraživanja može da generiše kvantitativne
podatke.
Ova knjiga, dakle, ima u vidu nauke o ponašanju koje se zasnivaju na poda-
cima, a kada se zasnivaju na podacima nauke imaju epistemološki status empi-
rijskih nauka.
Šta su podaci u naukama o ponašanju? To su pi-venstveno individualne i
gnipne razlike u ponašanju. Osim invidualnih i gnipnih razlika u ponašanju,
nauke o ponašanju mogu izučavati i proizvode takvog ponašanja: artefakte,
poruke, organizacije, informacije i slično.

^Izraz „empirijski”, koji ovde koristimo, ima korenu empirizmu, filozofskom pravcu
po kome svo naše znanje potiče od naših pet čvila. Medutim, kada se danas kaže da je nešto
„empirijski provereno”, misli se da je provereno na osnovu podataka koji nisu prikupljeni
samo putem naših čula, nego i putem memih instrumenata, uređaja za posmatranje, testova,
eksperimentalnih procedura itd. Uprošćeno, pridev „empirijski” opisuje prikupljanje i
analizu podataka, dok se „empirizam” odnosi na stav da svako znanje mora biti ulemeljeno
na podacima.
 To ne znači da su individualne razlike jedini podaci kojima se bave nauke o
ponašanju. Svaka od njih prikuplja i druge podatke o svetu koji nas okružuje. U
literaturi se često pojam „socijalno istraživanje” tretira različito od „istraživanja
ponašanja”. Pri tome se, zapravo, razlikuju „socijalna istraživanja”, koja se bave
grupnim razlikama, od istraživanja ponašanja koja se bave razlikama pojedinaca.
Socijalna istraživanja se, u tom smislu, bave „ponašanjem” grupa ili društva u
celini. Medutim, i u tako shvaćenim socijalnim istraživanjima jedinice posmatra-
nja su vrlo često pojedinci, samo što se njihova ponašanja objedinjavaju i tumače
u celini, kao agregati, pa se može reći da su u socijakiim naukama Ijudske grupe
jedinice analize. Radi jasnoće i preglednosti, dobro je da čitalac uoči ono što se u
ovoj knjizi smatra dominantnim - ponašanje i individualne razlike.
Ako bismo temu ove knjige nazvali „empirijska istraživanja u oblasti nauka
0 ponašanju”, onda bismo malo drugačije povukH granice izmedu društvenih i
prirodnih nauka, kao i unutar društvenih nauka. Bilo bi jasno da u sferu našeg
interesovanja spadaju psihologija, pedagogija, defektologija i druge slične oblasti.
S druge strane, mnoge oblasti koje ne prikupljaju podatke o ponašanju, makar
sadržavale prefiks „socijalno”, ne bi bile empirijske nauke o ponašanju. Drugim
rečima, ako gradivo ove knjige posvetimo izučavanju ponašanja, sve se čini
rrmogo jasnije u pogledu toga kome i kada ova knjiga može biti korisna.
Takode, postaje jasno da će sva kasnija poglavlja koja se odnose na
prikupljanje i obradu podataka imati u vidu prvenstveno individualne razlike u
ponašanju. Biće, medutim, obrađena i metodoiogija prikupljanja podataka o
grupnim razlikama i razlikama u rezultatima individualnog i grupnog ponašanja.
Analiza sadržaja, kao metodologija za prikupljanje podataka o porukama, primer
je izučavanja podataka o jednom rezultatu Ijudskog ponašanja - porukama.
Međutim, naučne oblasti koje se primamo bave proizvodima i rezultatima
Ijudskog ponašanja, kao što su ekonomija i organizacione nauke, imaju potrebe za
specifičnom metodologijom i bilo bi vrlo nepraktično smestiti sve takve metode u
jednu knjigu. Istini za volju, postoji jedno staro iskustvo kod Ijudi koji se bave
metodologijom i tehnologijom naučnog istraživanja koje kaže da su na nivou
podataka „sve nauke iste”. Metodom faktorske analize se može tražiti najbolji
skup pokazatelja uspešnosti preduzeća, na isti način kao što se analizom grupi-
sanja (klaster analizom) mogu tražiti tipovi organizacije metalskih preduzeća.
Zasada smo izbegavali da kažemo „Ijudsko ponašanje”. Jednim delom to je
zato što imamo u vidu i ponašanje Ijudskih grupa, a drugim delom zato što se u
nekim disciplinama, posebno u psihologiji, izučavaju i životinje. Psihologija se
bavi izučavanjem životinja iz dva razloga: a) da bi bolje objasnila ponašanje Ijudi
1 b) da bi razumela ponašanje životinja (zoopsihologija).
Uopšte rečeno, kao što je Comte smatrao da je „sociologija jedna”, sa
stanovišta metodologije empirijskih istraživanja se generalno može reći da je
„nauka jedna”. Mnoge metode za prikupljanje i analizu podataka su univerzalrie
i, uz male modifikacije, koriste se u raznim naukama. Recimo, metoda uzor-
kovanja se koristi i u geologiji (uzimaju se uzorci zemljišta), higijeni (uzimaju se
uzorci hrane), kontroli kvaliteta (uzimaju se uzorci proizvoda) itd. U tom kon-
tekstu ne treba posebno spominjati statistiku, koja je takođe univerzalna metoda,
ili neposredno posmatranje. Međutim, u ovoj knjizi, sve te metode i tehnike se
izlažu i ilustruju primerima prvenstveno imajući u vidu istraživača u oblasti nauka
0 ponašanju. Praktična je okolnost što mu spomenuta univerzalnost naučnog
instrumentarijuma omogućava da izložene metode primeni u svim situacijama,
recimo ukoliko prikuplja neke fizičke („objektivne”) podatke.
Takođe, metode i tehnike koje se u ovom tekstu prezentiraju su na prvom
mestu metode i tehnike prikupljanja i obrade podataka. To je veoma važan deo
svakog empirijskog istraživanja. Naravno, većina istraživača smatra da najvažniji
deo empirijskih istraživanja i njihov cilj nije prikupljanje podataka, nego interpre-
tacija rezultata obrade tih podataka. U osnovi, sa time se možemo složiti.
Međutim, interpretacija nalaza j e stvaralački akt i bilo bi pogrešno za nju
praviti priručnik. Postoje pravila i iskustva koja nesumnjivo pomažu interpretaciji
1 pomažu istraživaču da izbegne greške u interpretaciji nalaza. Ta pravila se
prvenstveno odnose na izbor i primenu istraživačkih metoda i tehnika, a to onda
već jeste predmet metodoloških priručnika i udžbenika.
Svaki istraživač se suočava sa mnogobrojnim tehničkim problemima oko
sprovođenja istraživanja. Neki osnovni problemi će biti spomenuti u ovoj knjizi i
biće ukazano na izvesna rešenja tih problema. Na primer, biće u osnovnim crtama
prezentirane mogućnosti primene računara u društvenim istraživanjima.
Jedan od tih problema je svakako i problem naučne produkcije, odnosno
pisanja naučnih radova i izveštaja i sva druga pitanja koja se tiču diseminacije
naučnih radova i njihovog vrednovanja. Smatramo da ta oblast takođe zaslužuje
poglavlje u ovakvom metodološkom priručniku. Koriščenje računara i naučna
produkcija su faze, odnosno zadaci naučno istraživačkog rada koji ne čine lanac
prikupljanja i analize podataka, ali bilo bi ih pogrešno ispustiti iz nečega što se
zove metodološki udžbenik ili priručnik.

3. Neka važna pitanja istraživanja ponašanja

U poglavlju 0 epistemološkim osnovama istraživanja ponašanja biće objaš-

njeno da postoji više opštih pristupa definisanju naučne istine i njenom saznava-
nju. Zbog toga istraživaču u oblasti nauka o ponašanju može izgledati da istina
zavisi od toga kako na nju gledamo i kako smo do nje došli. Ipak, shodno zdra-
vom razumu i shodno teoriji saznanja, iako problem istine nije jednostavan i
postoje različite njene definicije i načini na koje se do nje dolazi, postoji zdrav
optimizam upogledu integriteta i l ealiteta istine. Taj optimizam prihvaćen je kao
jedan od osnovnih stavova i u ovoj knjizi.
Dva osnovna epistemološka pristupa koji su od neospornog značaja za metodologiju
istraživanja ponašanja su racionalizam i empirizam. Podsetimo da su istaknute odlike racio-
nalizma logička dedukcija i determinizam, a, nasuprot njemu, istaknute odlike empirizma su
najbolje predstavljene logičkim pozitivizmom koji svoju istinu zasniva isključivo na
 objektivnom prikupljanju I obradi podataka. U drugoj polovini XX veka nastalo je mnogo
opštiln naučnih pristupa koje danas nazivamo paradigmama ili teorijskim perspektivama (v,).
U pogledu odnosa prema empirijskim istraživanjima, mogućnostima saznavanja istine
na osnovu podataka i uopšte u pogledu odnosa prema onome što bismo nazvali naučnim
saznanjem, pojedini jzm i" se jako razlikuju. Ođ radikalnog pozitivizma i bihejviorizma, koji
objektivnost, merenje i saznanje zasnovano na podacima smatraju jedinim izborom, do
radikalnog postmodernizma i radikalnog feminizma koji odbacuju mogućnost naučnog
saznanja na osnovu objektivno prikupljenih podataka.
Ipak, danas se čini da su osnovna saznajno-teorijska pitanja prilično konvergirala, a
ona koja nisu, razmotrena su, uobličena i svedena na praktično primenjive oblike. U tom
smislu današnjim društvenim istraživačima stoji na raspolaganju jedan uglavnom prepoznat-
Ijiv skup metodoloških opredeljenja. Sva je prilika da je u domenu neposrednog prikupljanja i
obrade podataka (na šta se pn/enstveno odnosi ova knjiga) taj skup metoda relativno ogra-
ničen, jasan i pregledan. To bismo mogli ilustrovati jednim stavom koji se danas često sreće
medu feministkinjama. One smatraju da je moralna uloga nauke važnija od objektivnosti, a
prikupljanje i analizu podataka tretiraju kao dokazivanje analnog (skupljačkog) karaktera i
muške supremacije. Ipak, ti autori smatraju da se u domenu empirijskih naučnih istraživanja
feminizam ne odlikuje posebnim metodama, nego posebnim izborom tih metoda.

Za nas u ovom trenutku nije važno to što postoje epistemološki pristupi koji
odbacuju mogućnost empirijskog istraživanja ponašanja. Namena ove knjige nije
da odredi mesto i značaj empirijske metode, merenja i kvalitativnih metoda, nego
da istraživačima koji se opredele za empirijskiprislup omogiići da to urade valja-
no. Važno je to što, bez obzira na izabranu paradigmu, ako istraživač ponašanja
odluči da dokaže svoje teorijske stavove empirijski, on na raspolaganju ima
prilično jasno defmisan metodološki instrumentarijum.
Sva je prilika da je današnji osnovni metodološki kostur istraživanja
ponašanja, kao što je npr. trijas merenja, individualnih razlika i statističke metode
(v.) izdržao probu vremena. Ako se ovaj trijas podvede pod objektivnost kao
kriterijum naučnog saznanja, i ako se onda u svetlu objektivnosti koriste i tzv.
kvalitativna istraživanja (v.), dobiće se prilično celovit uvid u metodološki domen
empirijskih istraživanja ponašanja. Dakle, ako se istraživač odhiči za empirijsko
istraživanje, onda su njegove obaveze jasne.

a. Z načaj metodološke ispravnosti istraživanja

Osobenosti predmeta proučavanja nauka o ponašanju - čoveka i društva -

nameću vrlo ozbiljna ograničenja objektivnom saznavanju (naučne) istine, a
posebno dokazivanju te istine. Zato je u socijahiim istraživanjima iskristahsan
zahtev za m etodološkim pcrfekcionizmom. Svako socijalno istraživanje će
stručna i naučna javnost, kao i redakcije naučnih publikacija prvo razmotriti sa
stanovišta mctodološke besprekomosti. Ma kohko to istraživačima izgledalo
nepravedno, svaka uočena metodološka neispravnost u istraživanju dovešće u
najozbiljniju sumnju njegove nalaze. Ovakav pristup nije prost kapric, nego se
može utemeljiti bar na jednoj teoriji istine - teoriji koherencije (v.). Osnovna
namena ove knjige ide tragom strogih metodoloških zahteva koji se postavljaju
pred socijalna istraživanja i zahteva za dobrom metodološkom edukovanošću
socijahiih istraživača.

b. Z načaj m etodološki koreklne radoznalosti

Bilo kako bilo, osnovni, pravi i zdravi motiv svakog istraživača je radoz-
nalost, odnosno želja za saznanjem. Ljubopitljivost je čoveku prirodena i u tom
pogledu se ne treba bojati za budućnost naučnog istraživanja. Međutim, istra-
živačka radoznalost će biti naučno plodna i korisna samo ako je usaglašena sa
epistemološkim pravilima koja su opisana u poglavlju o epistemološkim osnova-
ma i svim ostalim metodološkim pravilima koja se obraduju u ostalim delovima
knjige. Uvek treba imati na umu kritičnost, kao osobinu koja je komplementama
radoznalosti i koja je vrlo važna za društvene nauke. Kao što je isticao Descartes,
metodička skepsa treba da se neguje prema tuđim, ali još više prema vlastitim
nalazima. Jedan od najčešćih uzroka pogrešnih istraživačkih zaključaka je to što
nisu obuhvaćene, pa ni kontrolisane varijable koje imaju uticaja na predmet
istraživanja. U tom pogledu istraživači su u vrlo nepovoljnoj situaciji da sve što
su oni obuhvatili i čega su se mogli setiti funkcioniše besprekomo, ali da su
zaključci ipak pogrešni zbog delovanja nepoznatih faktora. To je jedan od pro-
blema koji se ne može rešiti drugačije osim stahiim preispitivanjem.
Ulogu istraživača čini teškom i to što visoka motivacija, kao rezultat radoz-
nalosti, uloženog tmda, dmštvene verifikacije i bilo čega dmgog, ne sme uticati
na zaključke.
Pokazalo se vrlo delotvomim da istraživači ponašanja transformišu svoju
radoznalost u „metodološku radoznalost”, koja obuhvata metodičku skepsu i
stalno upoznavanje i usavršavanje novih istraživačkih metoda i tehnika. Za istra-
živanja ponašanja je, dakle, korisno da istraživači budu radoznali i zainteresovani
za samu metodologiju istraživanja, barem isto onoliko koliko ih interesuje sam
predmet istraživanja.

c. K akav istraživač treba da bude

U prethodnom odeljku je spomenuta (metodološki korektna) radoznalost

kao važna osobina istraživača. U kasnijim glavama biće izloženi moralni principi
koje istraživač mora da neguje u odnosu prema saradnicima, ispitanicima i, kao
pisac, premajavnosti.
Ovde ćemo navesti još neke osobine koje Rosnovv i Rosenthal (2005)
smatraju korisnim da ih empirijski istraživač poseduje.
1. Entuzijazam. Istraživač mora da bude predan svom radu, da ga doživljava
kao izazov i da, uprkos svim problemima, gaji polet za otkriće, znanje i
 saznanje. Iskusni eksperimentalni psiholog Tolman je rekao: ,,Na kraju,
jedini siguran kriterijum je da se zabavljatc”.
2. Otvorenost. Prijemčivost prema novim argumentima i idejama pomaže
istraživaču da prevaziđe dogmatizam, da ostvari nove uvide, da promeni
vlastite zablude i da se uči na greškama.
3. Zdrav razum. Generalno, videli smo da se naučni metod jasno razlikuje od
zdravorazumskih metoda. Medutim, zdrav rezon, koji je praktičan i ,,na
zemlji”, koristan je za istraživača. Pokazalo se da istraživaču početniku
(studentu) obično nedostaje upravo zdrav razum da bi odredio ima li
njegovo istraživanje smisla (bez obzira što je metodološki korektno).
4. Uživljavanje u tuđe iiloge. Ova sposobnost je važna kako za razumevanje
ponašanja ispitanika, tako i za pisanje istraživačkih izveštaja, javno izla-
ganje rezultata i sl. Od istraživača ponašanja se očekuje da može da oseti
tačku gledanja ispitanika prema istraživanju, kao i tačku gledištaosoba koje
ocenjuju njegov rad.
5. Kreativnost i inventivnost. Dobar istraživač pokazuje kreativnost u svim
fazama istraživanja: od nalaženja novca i podrške, do prezentacije rezultata.
Navešćemo primer kako je genijalni Francis Galton smislio da ispita
da li molitve bivaju uslišene. Setio se da iskoristi činjenicu da je do njego-
vog vremena (XIX vek) većina molitava u Engleskoj sadržavala želje za
zdravljem i dugim životom kraljevske porodice. Zato je prikupio statističke
podatke i utvrdio da je prosečni životni vek muških članova kraljevske
porodice bio za više od četiri godine kraći od kontrolne grupe sačinjene od
državnih činovnika, lekara i advokata.
6. Samopouzdanje u vlastito suđenje. Citiraćemo jedan stav: „Morate da veru-
jete da primenom vlastitog rezonovanja na empirijske podatke možete otkri-
ti istinu - mali deo nje svakako”.
7. Sposobnost komunikacije. S obzirom da je naučno znanje u osnovi
privremeno, morate da znate da kraj vašeg istraživanja može biti početak
nečijeg tuđeg. Zato: „Istraživanje nije samo izvođenje, ono je kazivanje...”.
Ako drugi ne znaju za vaš rad, ili ga poznaju pogrešno, kao da ga niste
obavili.
8. Briga za detalje. Neuredno zapisivanje, unošenje podataka ili prelamanje i
fotokopiranje upitnika može ugroziti ceo projekat. Nijcdan detalj nije neva-
žan, nijedna kontrola nije suvišna, ništa sc ne sme prepustiti slučaju. Ako
niste u stanju da brinete o detaljima, niste pogodni za istraživača.
9. Akademski integritet i poštenje. O ovoj temi se raspravlja u glavi o pisanju,
ali nikada nije odviše naglasiti da nepoštenje u svim fazama: od školovanja
i sticanja titula, do saopštavanja rezultata narušava naučno pregnuće u loka-
lu i u celini. Isto tako, ne sme se biti slep prema nepoštenju drugih. Istraži-
vač koji svoj posao obavlja pošteno, biće osetljiv i na nepošteno ponašanje
svojih kolega.
 C. Epistemološke osnove istraživanja
ponašanja

1. Šta je epistemologija

Epistemologija (od starogrčkog episteme - znanje), kao teorija naučnog

znanja i saznanja, ima svoje mesto u podeli filozofskih disciplina. Ako filozofiju
posmatramo kroz sočivo naučnog saznanja, onda možemo napraviti jednu sasvim
uprošćenu skalu filozofskih disciplina.
• Ontologija - izučavanje bića i postojećeg, znanje o postojećem.
• Gnoseologija - teorija saznanja postojećeg.
• Epistemologija - teorija naučnog saznanja.
• Aksiologija - koje vrednosti pridajemo znanju, šta su njegov cilj i
namena.
• Retorika - kako govorimo i pišemo o znanju.
• M etodologija - kako saznajemo, odnosno kako stičemo znanje.
Za epistemologiju se često kaže da je meta-naučna disciplina. Prefiks
„meta” je starogrčkog porekla i danas se koristi da označi nešto što je iznad, izvan
ili posie. To je pozicija sa koje se može kritički sagledavati osnovna oblast. Tako
i epistemologija kritički gleda na nauku i to sa oba aspekta; statičkog i dinamič-
kog, odnosno sa stanovišta znanja i sa stanovišta saznanja. Sa stanovišta kritičke
analize znanja epistemologija je meta-teorija, a sa stanovišta kritičke analize
saznanja meta-metodologija. Takođe, za epistemologiju se kaže da je teorija
naučnih teorija i naučnih metoda, ili još jednostavnije nauJca o nauJiama i nauč-
nim metodama.
Dakle, predmet izučavanja epistemologije je nauka sama. Modema episte-
mologija analizira svoj predmet izučavanja - nauku - na isti način kako zahteva
od nauka da izučavaju svoje predmete izučavanja. Taj način je racionalan i
logičlci. Dakle, epistemološica analiza naučne teorije i naučne metode je vrlo
slična bilo kojoj drugoj naučnoj analizi. U epistemološkoj analizi se primenjuju
epistemološke teorije i principi, logička pravila, kritičnost, javnost itd.
Epistemologija, međutim, ne sadrži empirijsku provem naučnog saznanja.
Dosadašnje iskustvo je pokazalo da se same teorije i metode, tj. njihova suština i
saznajne mogućnosti, ne mogu podvrći empirijskoj proveri. Druga je stvar sa
istinitošću znanja, ono se mora podvrći empirijskoj proveri, ali je ta provera
zadatak samih nauka, a ne epistemologije.
U literaturi je vrlo česta praksa da se termini „epistemologija”, „filozofija
nauke” i „metodologija” koriste naizmenično, sa istim značenjem. Epistemologi-
ja, ako se posmatra kao filozofska disciplina, jeste filozofija nauke. S druge stra-
i^e, metodologija istraživanja, kako se, na primer, prezentira u ovoj knjizi, uvek se
bavi epistemološkim pUanjima. Činjenica je, dakle, da se ti pojmovi preklapaju i
da nije načinjena neka posebna greška ako se ravnopravno upotrebljavaju.
Važnije je da student uoči da postoji jedna dimenzija u misaonom odnosu, koja se
proteže od filozofije (ontologije) do konkretnog naučnog istraživanja i na kojoj
filozofija, epistemologija i metodologija dele različita ali susedna mesta.

2. Osnovni ciljevi epistemoiogije

Epistemologija kao svoje glavne ciljeve ima:

• određivanje normi i kriterijuma naučnog saznanja i
• ocenjivanje vrednosti naučnog saznanja.
Epistemologija ove ciljeve dostiže putem racionalne analize, koristeći logič-
ka pravila i epistemološke kriterijume. Zato neki autori posmatraju epistemologi-
ju kao primenjenu logiku. Osnovna epistemološka metoda je logička metoda.
Tokom epistemološke analize naučno saznanje i znanje se razlažu, analiziraju i
porede sa postojećim epistemološkim kriterijumima. Zato se dva navedena cilja
epistemologije prepliću, kombinuju i nadopunjuju. Epistemologija je, u celini,
normativna nauka koja daje norme za ocenjivanje vrednosti, odnosno istinitosti
naučnog znanja i saznanja. Da bi naučno znanje bilo istinito, ono mora objašnja-
vati ili tumačiti stvamost, mora biti prikupljeno na metodološki ispravan način i
mora posedovati organizaciju i strukturu koju epistemologija zahteva. Odatle se
vidi da je naučna istina složena, da se njoj stalno teži i da se stalno mora
proveravati.
Da bi razvila norme naučnog saznanja, epistemologija se ne može zadovo-
Ijiti samo analizom rada drugih naučnika. Ona mora razvijati vlastite pojmove,
klasifikacije i teorije. Recimo, modema epistemologija je defmisala osnovne
tipove istraživanja, strukturu istraživanja, kao i pojmove validnosti istraživanja i
načine provere validnosti.
Važan zadatak epistemologije je da otkrije eventuahie „sistemske
nedostatke” naučnog znanja, u vidu ideoloških zabluda, ili uticaja nekih drugih
vrednosti osim što je istina sama. Nauka, naime, mora biti vrednosno neutralna i
njena osnovna vrednost može biti samo istina.

3. Osnovni epistemoiošl<i prin dp i

Da bi mogla vrednovati naučno saznanje s obzirom na njegovu istinost,

epistemologija je razvila nekoliko osnovnih kriterijuma koje nazivamo epistemo-
loškim principima. Ovi principi predstavljaju sredstvo epistemološke analize ali
su i mnogo više od toga. Kao što će se videti, oni su istovremeno i ciljevi svake
nauke, nalaze se u samoj osnovi naučnog saznanja i, što je najvažnije, defmišu
istinitost svakog saznanja. Zato ih, istovremeno, možemo zvati i lo-iterjumima
istinitosti. Svi epistemološki principi stoje u komplementamom odnosu, što čini
da je epistemološka analiza kom pleksanj težak proces i nekada je za ocenu
saznajne vrednosti istraživanja potrebno mnogo više vremena nego za istraživanje
samo (Fajgelj, Kuzmanović i Đukanović, 2004).
Osnovni epistemološki principi su:
1. opštost,
2. objektivnost,
3. sistematičnost,
4. preciznost ili pouzdanost i
5. proverljivost ili odbacivost.
Ne postoji nauka o pojedinačnom. Sve naučno znanje opšteg je karaktera.
Ne postoji naučni zakon koji nema karakteristiku opštosti, tj. da ne važi za
određenu klasu pojava koje nalazimo u iskustvu. Ukoliko je naučno znanje
opštijeg karaktera, utoliko je ono epistemološki vrednije, i obmuto, ukoliko je
obuhvaćena klasa pojava manja, onda je to znanje sa epistemološke tačke manje
vredno. Ipak, princip opštosti može imati izuzetke jer postoje pojave koje su
pojedinačne, tzv. singulariteti, i koje same čine jednu klasu.
Naučno saznanje mora biti objektivno, tj. mora biti stvarno. Ono ne sme
biti „subjektivno” tj. ne sme zavisiti od naših želja, emocija ili predubeđenja.
Nauka ima za cilj da opiše i objasni odredenu pojavu i zato jedino priroda te
pojave može da upravlja tokom saznanja. Naučnici mogu da poseduju različite
vrednosti i uverenja, ali lične vrednosti i uverenja ne smeju da utiču na
proučavanje predmeta saznanja. Objektivnost se najčešće defmiše kao inter-
subjektivna saglasnost, s time da se, kada je naučno saznanje u pitanju, ne misli
na saglasnost bilo kojih „subjekata” nego na saglasnost stručnjaka i naučnika koji
pripadaju odredenom krugu naučne zajednice. U okviru teorije merenja u
naukama o ponašanju se, recimo, objektivnost merenja defmiše kao nezavisnost
dobijenih mera od objekata koji se mere i od m emih agensa kojima se meri. Ako
ne postoji saglasnost eksperata, ili ako mere zavise od onoga šta se meri i čime se
meri, znanje nije objektivno, ono zavisi od onoga ko ga je stekao, pa otuda nije
epistemološki vredno.
Kao što znanje mora važiti za sve Ijude jednako, saznanje se mora odnositi
prema svim objektima proučavanja jednako. To je princip sistem atičnosti. Osim
što se sve metode moraju primeniti na svim objektima jednako, čitav proces saz-
nanja, u svim delovima, mora slediti jedan plan. Svaki deo naučnog istraživanja
mora slediti iz pretliodnog. Svi objekti posmatranja moraju proći kroz iste klasi-
fikacije, svi postupci moraju biti objašnjeni i svi zaključci sistematično izvedeni.
Samo ono znanje koje stečeno na sistematičan način je epistemološki vredno.
Preciznost i pouzdanost su dva principa koji su tesno povezani. To se
posebno jasno vidi kada se izučavaju u kontekstu merenja. Nepouzdano merenje
ima visoke greške, što onemogućava precizne zaključke.
Iskaz da će „ispitanik praviti više grešaka što je buka veća” je manje
precizan nego iskaz da će „ispitanik udvostmčiti broj grešaka na svakih lOdB
preko 60dB”. Ova dva iskaza imaju status istraživačkih hipoteza, ali princip
 preciznosti se ne odnosi samo na hipoteze, nego na sve delove i faze naučnog
saznanja, od formulisanja problema do merenja. Sasvim je razumljivo da su
preciznija znanja epistemološki vrednija.
Znanje koje je pouzdano je ono na koje se možemo osloniti. Ono je
uverljivo i manje je podložno sumnji. Da bi bilo pouzdano, ono ne sme imati
greške i mora biti tačno. U okviru posebnih teorija kao i u okviru posebnih
metodoloških postupaka postoje i neki sasvim specifični kriterijumi pouzdanosti.
Tako su na primer, u oblasti merenja ponašanja razvijene posebne statističke
tehnike za ocenu pouzdanosti. Kasnije će, u poglavlju o pouzđanosti merenja,
preciznost biti obrazložena upravo pod pojmom pouzdanosti. U teorijskoj meto-
dologiji se, medutim, na pouzdanost gleda nešto šire i manje precizno. Po tom
opšte-teorijskom gledištu, pouzdanost se povećava boljom teorijskom elabo-
racijom, jasnim defmicijama i dobrim objašnjenjima. Takođe, što više činjenica
ide u prilog nekoni znanju, ono će biti pouzdanije, lakše će izdržati naučnu kritiku
i biće epistemološki vrednije.
Ukohko jedno naučno saznanje ne možemo proveriti, to znači da to
saznanje nema nikakvu epistemološku vrednost jer se ne može dokazati. Prover-
Ijivost i dokazivost su se našli u centm žive debate savremenih epistemologa,
koja još nije okončana. Potrebu za proverljivošću naučnog saznanja niko ne spori,
ah se ispostavilo da je proverljivost teško formalizovati i operacionalizovati.
Po Masičnom shvatanju, naučno saznanje se proverava tako što se iz njega
izvlače (dedukuju) posledice (predikcije) koje se onda iskustveno proveravaju.
Ovaj aspekt, iskustvenu provem, niko načelno ne osporava. Međutim, uočeno je
više problema koji do danas nisu zadovoljavajuće rešeni. Recimo, isti podaci
mogu da podupiru više različitih teorija. Isto tako, iz jedne teorije se može izvesti
više različitih predikcija. Neke posledice se, takođe, ne mogu empirijski proveriti
jer za to još ne postoje tehnički uslovi. Na formahiom planu, aparat fomialne
logike je izneverio očekivanja jer se nije mogla naći formalna defmicija prove-
ravanja, opovrgavanja ili dokazivanja teorije ili hipoteze.
Probleme definisanja proverljivosti možemo ilustrovati sa dva paradoksa Bertranda
Russella (koji je inače poznat po brojnim takvim primerima kojima se dovodi u pitanje
saznanje). Prvi primer se odnosi na iskaz ,svi gavranovi su crni”. Po tzv. principu ekvivalen-
cije, iskazi .sve ne-crne stvari su ne-gavranovi" i „bilo koja posebna stvar ili nije gavran ili je
cma" su ekvivalentni sa prvim iskazom. Formalno logički, ono što dokazuje jedan od ovih
iskaza dokazuje i sve ostale. Uzmimo sada da smo videli ružu i da smo utvrdili da je ona
crvena. Pošto ruža nije gavran, iskustveni iskaz ,,ova ruža je crvena” bi dokazivao iskaz da
su svi gavranovi cmi. Naravno, nijedan istraživački rad ne bi bio objavljen, niti bi bio
ođbranjen ijedan diplomski, magistarski ili doktorski rad koji bi pomoću crvenih ruža
dokazivao crnoću gavranova.
Drugi primer se odnosi na klasično shvatanje empirijske provere. Naša teorija,
recimo, sadrži dva teorijska iskaza; da svinje imaju krila i da su dobre za jelo. Iz ta dva
iskaza možemo izvesti opreznu logičku posledicu (predikciju) da su neke krilate životinje
dcbre za jelo. Cela ova hipotetičko-deduktivna shema se na jeziku koji je uobičajen u logici
može napisati na sledeći način.
 Svinje imaju l^rila
Svinje su dobre za jelo ’
Neke krilate životinje su dobre za jelo

Pošto je ova predikcija empirijski proverljiva, pristupićemo njenoj proveri

na pečenim pilićima, patkama I fazanima. Utvrdićemo da su oni dobri za jelo.
Po uobićajenom shvatanju, pošto je dokazana teorijska predikcija, dokazana je
i teorija I to u oba aspekta: krilatosti svinja i njihovoj ukusnosti.

Proverljivost se može definisati i kao mtersubjekiivna proverljivost,

odnosno da znanje do kojegje došla osoba^^Tmože biti provereno od osoba Y i Z.
Iz ovih razloga su neki epistemolozi smatrali da objektivnost i proverljivost
predstavljaju jedan isti epistemološki princip, što nas dovodi do zaključka da
postoji izvestan unutrašnji sklad svih epistemoloških principa kao aspekata istine.
Medutim, nije nužno da postoji saglasnost različitih subjekata, jer proveru
može izvršiti ista osoba, X, tako što će ponoviti istraživanje. Iz tog razloga se
umesto proverljivosti često postavlja blaži zahtev zaponovljivost istraživanja kao
postupka saznanja.
Epistemološki princip proverljivosti nalaže da se naučno saznanje mora
staviti u takvu formu koju je moguće neposredno proveriti. Jednostavno, u
naučnoj teoriji mora postojati neka posledica, neka činjenica, koja se može
iskustveno proveriti. Kasnije će se videti da je osnovni zahtev koji se postavlja
pred naučne hipoteze upravo taj - da budu proverljive. Recimo, da bi nešto bilo
proverljivo mora da se oslanja na neke postojeće i na iskustvu čvrsto utemeljene
osobine. Ako kažemo: ,,svi smaragdi su zelavi”, osobina „zelav” (kombinacija
zelenog i plavog) nepoznata je, neuobičajena i neproverena sama po sebi.
Postojanje te osobine smaragda se, dakle, teško može proveriti.
Ukoliko želimo da neko naše naučno saznanje bude proverljivo, onda je
neophodno da čitav naučni postupak kojim smo do njega došli učinimo javnim.
To povezuje princip proverljivosti sa principom javnosti, što opet govori o
isprepletenosti i komplementamosti svih aspekata istine.
Važno je još istaći i stav da proverljivost nije ,,sve ili ništa” osobina, nego
se mora govoriti o stcpcnii proverljivosti. To znači da svako naučno saznanje
može biti manje ili više proverljivo, a ono koje je proverljivije je epistemološki
vrednije. Takode, to znači da se može govoriti i o stepenuproverenosti teorije ili
hipoteze. Epistemolozi najčešće govore o „dovoljnoj” empirijskoj podršci, podra-
zumevajući da pojedinačni nalazi nisu dovoljni kao potvrda. Da bismo verovali
teoriji ona mora imati neki „zadovoljavajući” nivo empirijske podrške (detaljnije
videti u sledećem odeljku).
P rincip opovrgavanja. - U savremenoj epistemologiji se vrlo često koristi
pojam odbacivosti ili opovrgljivosti (engi. falsifiability) naučnih iskaza i posebno
hipoteza (v. kasnije). Ideja pripada postpozitivisti Ser Karlu Popperu, koji je
smatrao da postoji asimetrija izmedu opovrgavanja i potvrđivanja teorije jer se
teorija može konačno opovrgnuti, a ne može konačno potvrditi (Langdridge,
2004, Ristić, 1995). Precizno rečeno, Popper je pomoću odbacivosti želeo da
razgraniči empirijske iskaze od metafizičkih, koji nisu opovrgljivi. Pravljenje
razlike između fizike i astrologije je po Popperu „problem razgraničenja”. Ono
što može da razgraniči nauku od ne-nauke je to što su naučne teorije (u origi-
nalnoj Popperovoj terminologiji „conjectures”) odbacive u načelu. To znači da
one moraju biti formulisane kao jasni i odredeni iskazi koji mogu biti provereni i
odbačeni ukoliko ih empirijska istraživanja ne potvrde. Ako se ni nakon ozbiljnih
napora za njegovo opovrgavanje u tome ne uspe, iskaz možemo smatrati
polkrepljenim.
Popper je, dakle, smatrao da za nauku nije bitno to što počiva na indukciji,
nego na iskazima koji su formulisani tako da mogu biti opovrgnuti. Nije od vehke
važnosti ni to što neki iskaz biva višestruko empirijski potvrden. To je „tehničko”
pitanje, jer je provera teorijskih iskaza trajni i beskonačni zadatak nauke, a prvi
njen zadatak je upravo u tome da se razgraniče naučno smisleni od besmislenih
stavova.
Popper je, dakle, imao u vidu opovrgavanje teorija, tačnije njihovu opovrg-
Ijivost kao kriterijum naučnosti, a nije se obazirao da dokazivanje. Na osnovu
njegovog shvatanja vrlo je lako odlučiti koja teorija ne valja, odnosno saznati ono
što nije - negativno znanje. Današnjim istraživačima je ideja opovrgljivosti vrlo
bhska. Oni, naime, u njoj vide zahtev da istraživanje bude opovrgljivo, a da bi
bilo takvo, ono m orabiti ponovljivo, javno i da zadovoljava druge epistemološke
principe i, pre svega, mora biti formuhsano tako da bude proverljivo u principu.
Princip „proverljivosti u načelu” je još davno i manje-više svestrano prihvaćen od
strane Rudolpha Camapa i mnogih kasnijih epistemologa. Takvo tumačenje
Popperovog principa opovrgljivosti čini da on istraživačima izgleda blaži od prin-
cipa proverljivosti, ali bazičniji.
Koen I Nejgel (1965) daju vrlo dobru ilustraclju princlpa opovrgavanja. Razmotrimo
hipotezu .Svl Ijudl su smrtnl". Nekoga ko veruje u tu hlpotezu nećemo razuveriti ni ako mu
pokažemo čoveka koji je doživeo stotu, ni Metuzalema koji je živeo 969 godina. Bez obzira
koliko starog čoveka našli hipoteza neće biti opovrgnuta. Po Popperu, ova hipoteza nije
naučna hipoteza. Uzalud nam je što čvrsto verujemo u nju. Ne samo da nije opovrgljiva, ona
nije ni proverljiva. Naučna hipoteza bi glasila: „Svi Ijudi umiru pre nego što dočekaju svoj
dvestoti rođendan”. Jasno, ovakvu hipotezu bi opovrgao svako ko ima 200 ili više godina.
Isto tako, pošto ni u jednom od dosadašnjih pokušaja (a njih je na milijarde, sa izuzetkom
Metuzalema) niko nije uspeo da je opovrgne, možemo je smatrati potkrepljenom, što je po
Popperovom shvatanju dovoljno da je zadržimo.

Ipak, postoje problemi sa Popperovim idejama. Kao prvo, mnogi smatraju

da negativno znanje nije cilj nauke, negopozitivno znanje. Nećemo mnogo dobiti
time što znamo šta nije, draže nam je da saznamo šta jeste. A to nas vraća na
indukciju, jer ako želimo da pravimo nauku zasnovanu na podacima, onda pozi-
tivno znanje možemo steći jedino induktivno. Drugo, neki epistemolozi (ali ne
svi, Marković, 1981) Popperovo stanovište interpretiraju tako da je samo jedan
nalaz dovoljan da opovrgne hipotezu ili teoriju. Ovakvo tumačenje principa
odbacivosti, ako se primeni kao kriterijum istinitosti, nerealno je i protivreči
praksi naučnih istraživanja. U poglavlju o testiranju statističkih nultih hipoteza
kaže se da jedno pojedinačno prihvatanje nulte hipoteze ne znači i dokazivanje
njene tačnosti. Takav stav možemo primeniti na proveru hipoteza i teorija
generalno. Neke zaključke koji su vrlo verovatno tačni retko ćemo odbaciti na
osnovu pojedinačnog nalaza.
Pošto je ovakvo shvatanje Popperovog načela opovrgljivosti suviše nemilo-
srdno prema naučnom istraživanju, odgovor je potražen u Bejzovoj teoremi (po
Thomasu Bayesu, engleskom teologu i matematičaru). Ukratko, njegova teorema
se bavi verovatnoćama i to na taj način da u ocenjivanju verovatnoće pojavlji-
vanja nekog događaja možemo koristiti učestalost njegovih pojavljivanja u proš-
losti. Kada se to primeni na dokazivanje naučnih iskaza dolazimo do zaključka da
verovatnoća tačnosti nekog iskaza raste ukohko je u prošlosti više puta bio potvr-
divan, a opada ako nije (Langdridge, 2004). Ako se Popperovo stajalište nadopuni
Bejzovorn teoremom, onda možemo govoriti o stepenu opovrgnutosti, ali i
prihvaćenosti naučnih teorija, a na osnovu postojeće empirijske podrške.
G noseologija i epistem ologija. - Teorija saznanja ih gnoseologija je
filozofska disciplina koja se bavi Ijudskim saznanjem, njegovim mogućnostima i
donietima generalno, a ne samo naučnim saznanjem Naučnim saznanjem se bavi
epistemologija. Ne razhkuju svi filozofi gnoseologiju i epistemologiju, kao što ne
razlikuju znanje uopšte od naučnog znanja. Takođe, mnogi smatraju da ne postoji
posebna istina za nauku a posebna za druge vidove odnosa duha i sveta. Ako je
„istina jedna”, onda su i kriterijumi znanja uvek jednaki, pa se ni gnoseologija ne
razhkuje od episteniologije. Ipak, epistemologiju ćemo lako razlikovati ako je
posmatramo kao nauku o naukama, odnosno ako istaknemo nauku kao njen
predmet izučavanja, a ne saznanje uopšte.
M etodologija. - Jednostavan prevod njenog naziva kaže da je metodologija
naiika o metodama. Metode su opet, najuopštenije govoreći, postupci saznavanja
- spoznaje. Metode i metodologija su delovi svake nauke pojedinačno i svih
nauka zajedno. Postojc takozvane opšte metode, kao što je, na primer, neposredno
posmatranje, i opšta metodološka pravila, kao što su pravila merenja, zbog čega
se pod metodologijom ponekad podrazumeva nešto veoma slično epistemologiji.
U ovoj knjizi se, takođe, metodologija ponekad tretira kao meta-metodologija,
opšta nauka o metodama koja analizira naučne metode s obzirom na njihov
saznajni i istinitosni potencijal - potpuno slično kao što to čini epistemologija.
Kako se dolazi do naučnog saznanja? Ukoliko naučno saznanje mora da
ispuni epistemološke kriterijume, nužno je da sam proces saznavanja počiva na
tačno definisanim postupcima, načinima ili procedurama - metodama. Metodolo-
gija je naučna disciplina koja se bavi problemom metoda. Njen cilj je da iznalazi
puteve, pravila i principe kojih se Ijudska saznajna aktivnost treba pridržavati da
bi dostigla istinu. Recimo, metodologija je defmisala veliki broj postupaka za
prikupljanje i analizu podataka posredstvom kojih se dolazi do naučne istine.
Sve što se odnosi na nietode i metodologiju je bliže praksi naučnog
saznavanja - istraživanju, bliže nauci samoj, kako uopšte, tako i pojedinačnim
naukama, dok je epistemologija bliža teoriji saznanja - gnoseologiji, pa znači
bliža filozofiji i logici. Šta više, smatra se da svaka nauka mora imati osim svog
osobenogpodručja i svoju osobenu metodu, unatoč tome što postoje opšte metode
koje se primenjuju u mnogim naukama.
Ovaj zaključak snažno podupire činjenica da se izrazom „metodologija”
vrlo često označava prosto skup metoda koje se neposredno koriste u nekom
istraživanju - recimo metodologija ispitivanja javnog tnnjenja. U nekim naukama,
kao na primer u pedagogiji, umesto izraza „metodologija” kao naziva za skup
primenjenih metoda, koristi se izraz metodika - kao, na primer, metodika nastave.
Na taj način se izbegava konfuzija koja nastaje ako se metodologijom istovreme-
no naziva i nauka o metodama i zbir metoda.

4. Sta je naučni metod

Postoji veliki broj nauka, a unutar njih vehki broj oblasti i podoblasti. Gra-
nice nauka se stalno pomeraju i prephću, a same nauke se menjaju i razvijaju. Sta
je ono što ih sve objedinjuje i da h uopšte postoji nešto što im je zajedničko?
Dovoljno je samo da uporedimo matematiku i komparativno pravo, ili elektro-
magnetiku i psihologiju. Ljudi će se lako složiti da su „prave nauke” pre svega
prirodne nauke. One izgledaju egzaktne, otkrivaju zakone koji su lako proverljivi
i važe stalno i univerzalno, a na osnovu njihovih saznanja mogu da se naprave
različite stvari koje su korisne u svakodnevnom životu. Nasuprot tome, društvene,
humanističke i nauke o ponašanju traže svoje mesto pod suncem, ah teško
uspevaju da „otkiiju” ijedan zakon kao što je Ohmov. Ipak, analiza i jednih i dru-
gih nauka otkriva da postoje mnoge zajedničke karakteristike, unatoč očiglednih
razlika.
Uobičajeno je da, kada se traže bitne karakteristike nauke, one bude takve
da nauku razlikuju od zdravog razuma. Tako, reeimo, preciznost i tačnost nisu
takve karakteristike, jer bismo onda i vozni red ili telefonski imenik mogli nazvati
naukom. Greške, zablude i neznanje, takode, jednako karakterišu nauku kao i
svakodnevni život. Da bismo se približili razumevanju naučnog pristupa svetu,
odnosno naučnog metoda, pogledajmo kojim metodama se služi zdrav razum.
Ovu podelu je inicijalno dao Charles Sanders Pierce, a modifikovali su je mnogi.
A prlori m ctod ili metod intuicije. - Ovaj metod se bazira na očiglednosti,
rezonovanju, logici i saglasnosti sa zdravim razumom. Ovim metodom se Ijudi
služe kada putem razgovora, u slobodnoj komunikaciji, dodu do „istine” koja se
svima čini razumnoni. Recimo, Ijudi su se lako složili oko toga da se Sunce
oki'cće oko Zemlje. Isto tako im je izgledalo očigledno da su putanje Sunca i
Meseca kružne, kao i da je Zemlja ravna. Kerlinger i Lee (2000) i Cozby (2003)
navode više primera „znanja” baziranog na apriori metodu. Recimo, Ijudima će
izgledati „razumna” pojava da parovi koji nakon mnogo bezuspešnih pokušaja da
imaju decu konačno usvoje dete, uskoro dobiju svoje. Ako čuju da se to desilo
jednom ili dvaput, Ijudi će poverovati dapostoji nekakav uticaj usvajanja dece na
mogućnost trudnoće. U sledećem koraku, Ijudi će naći i obiašnienie za tu „poja-
vu”, recimo da rasterećenje od bračnog stresa prouzrokovanog sterilnošću pogo-
duje začeću. Slično tome, u skladu sa zdravim razumom izgleda i stanovište da
učenje teških predmeta u školi popravlja duh, volju i moralni karakter učenika.
Isto tako, Ijudi lako donose generalizacije na osnovu „svog slučaja” ili
slučaja nekog koga poznaju. Neko ko ima stalne sukobe sa komšijama doneće,
recimo, generalni zaključak da do takvih sukoba dolazi uvek kada su različiti
Ijudi prisiljeni da žive zajedno i da se prilagodavaju jedni drugima, tj. da je uzrok
sukobima deljenje istog mesta za život.
Metod intuicije se zasniva na nekoliko principa kao što su „samo-
očevidnost” i „vremenska bliskost”. Primeri sa kretanjem planeta jasno ukazuju
da samoočevidnost može biti površna ili pogrešna. Ostali primeri ukazuju da
vremenska bliskost ne mora da znači uzročnost i da pojedinačni slučajevi ne daju
osnova za generalizacije. Medutim, osnovni problem nastaje kada Ijudi kroz
slobodan razgovor ne dodu do iste „istine”. Kako znati čija je istina prava?
Naučni metod treba da prevaziđe ovakve probleme koje ima zdravi razum.
M etod au to riteta. - Aristotel je našao da „Ubedljivost postiže govomik
svojim karakterom kada govor tako sroči da mi pomislimo da je on uverljiv. Mi
vcrujemo dobrim Ijudima potpuno i pre nego drugima.” Mi, recimo, danas
verujemo Aristotelu zato što je on za nas autoritet. Ljudi veruju Bibliji, zakonima,
spisku dozvoljenih lekova koji je donela Savezna komisija za lekove i drugim
pravilima koja je doneo neki autoritet. Danas Ijudi „znaju” da je nešto istina zato
što su videli na televiziji ili pročitali u novinama. Metoda autoriteta je korisna
kada treba doneti neku odluku, a mi nemamo vremena ili resursa da se informi-
šemo ili prosto nismo u stanju da sami rešimo problem. Ljudski razvoj se zasniva,
jednim delom, na uvažavanju istina koje su sročili autoriteti. Metoda je destruk-
tivna kada se koristi za ućutkivanje raznomišljenika i suzbijanje kritičkog i
samostalnog mišljenja.
U literaturi se često prepričavaju primeri Aristotelovih grešaka. Smatrao je, recimo, da
srce ima samo tri komore, da mozak nema krvi, kao i da ne zauzima celu lobanju. Za dija-
gnostikovanje šarlaha Aristotel predlaže sledeće: "Ako se žena koja ima šarlah ogleda u
ogledalu, površina ogledala prekriće se maglom crvenom kao krv, i ova magla, ako je
ogledalo sasvim novo, ne može se obrisati bez teškoća" (navedeno prema Marković, 1981).
Aristotel je takode bio zastupnik teorije o samozačeću, odnosno spontanoj generaciji, I
govorio je da se život stvara iz blata. Svi ovi stavovi se danas proglašavaju netačnim. Medu-
tim, zbog autoriteta Aristotela, kao tvorca jednog od najvećih filozofskih sistema, teško je
olako odbaciti poslednja dva zapažanja. Recimo, možemo razmišljati o tome da ona ogleda-
la nisu biia staklena, nego od uglaćanog metala, te da je dah ili znoj čoveka sa temperatu-
rom I sa šarlahom mogao dovesti do oksidacije. Takode, nije isključeno, a teško je dokazivo,
da i dan danas dolazi do formiranja složenih organskih jedinjenja i velikih molekula na nekim
posebnim mestima kao što su podmorski vulkani i gejziri, a ta mesta liče na primordijalnu
supu - Aristotelovo blato.

Najočigledniji problem metode autoriteta je kada se autoriteti ne slažu medu

sobom. Na primer, Buda propisuje drugačije istine od Muhameda. Jedan ekonom-
ski stručnjak drugačije vidi razloge ekonomske krize od drugog. Dakle, ni metoda
autoriteta ne može da zadovolji naučne kriterijume istine.
Metod istrajnosti, tenaciteta 111 kohezivnosti. - Nešto u šta smo verovali
čitav život i u šta veruje naša okolina čini nam se istinitijim od novih saznanja.
Trajnost i ponavljanje uverenja doprinosi njihovom izgledu istinitosti, Postoji
poznati slogan „da laž koja se često ponavlja postaje istina”. Ljudi osećaju izves-
nu lojahiost prema „starim istinama” i ne vole da ih menjaju. Mitovi, predanja i
sujeverje takođe pripadaju ovom metodu saznavanja. Problem nastaje kada Ijudi
dele različite „stare istine”. U takvim slučajevima često mogu da presude samo
nova saznanja i otkrića, koja budu na strani jedne ili druge „stare istine”.
Međutim, svi mi smo iskusili nelagodu zbog potrebe da promenimo stav nakon
novih saznanja i otpor da to učinimo. Zbog toga metod istrajnosti kojom se služi
zdrav razum ne može biti dovoljno dobar kao naučni metod.
Naučni metod. - Naučni metod ne odbacuje intuiciju, autoritete i istrajnost.
Oni mogu biti izvor ideja i znanja. Međutim, kao što smo videli, svi ti zdravo-
razumski metodi sadrže određeni stepen Ijudske proizvoljnosti. Drugo, kada se
sretnu dva različita mišljenja, zdravorazumski metodi ne nude način kako da se
razlike prevazidu i kako da se utvrdi koje je istinito. Treće, čak i kad svi Ijudi
misle isto, zdrav razum ne podstiče nijedan način da se proveri da li možda svi
greše (baš naprotiv, takva situacija zdravom razumu prija). Šta raditi kada pobo-
žan čovek tvrdi da je nečija bolest Božja kazna zbog grešnog života, vegetarija-
nac da je to zato što je taj jeo meso, hipohondar da je to zato što nije redovno išao
kod lekara itd.
Pi-va bitna razlika između zdravog razuma i naučnog metoda je to što nauka
do svojih stavova dolazi racionalno i objektlvno. Može se poći od intuitivnih,
autoritativnih i tradicionalnih ideja i iskustava, ali tako da se oni fonnulišu strogo,
po preciznim logičkim pravilima, dakle nepristrasno i bez uticaja predrasuda,
želja i emocija.
Sledeće važno oruđe kojim se naučni metod bori protiv nedostataka
zdravorazumskih metoda je sumnja do krajn jih granlca (Koen i Nejgel, 1965,
Cozby, 2003). Ovakvu sumnju Descartes je nazvao metodičkom skepsom, i
označio je kao osnovni metod kojim se od zdravorazumskih stereotipa stiže do
naučnog znanja. Smnnja i kritičnost dovode do toga da se postojećim mišlje-
njima stalno suprotstavljaju nova. Zbog toga je svaka nauka progresivna jer je
prisiljena da se menja, da se preispituje, da odbacuje stara znanja ili da ih modi-
fikuje i da otkriva nova,
Međutim, staki skepticizam sam po sebi ne bi donosio nikakvo dobro -
jedino bi naučnici bili stalno posvađani među sobom, Nova stanovišta bi završa-
vala kao modne novotarije, Skepsi i kritici treba još nešto što bi pomoglo da se
izmedu svih stanovišta „koja su u ponudi” odaberu ona koja su istinita, Osnovni,
najbolji i najpraktičniji način da se to uradi je em pirljska provera, Međutim,
empirijska provera je složen zadatak i nekada treba proći vrlo dug put pre nego
što se kaže da činjenice potkrepljuju neko stanovište, čineći od njega naučno
znanje. Taj put zovemo naučnim em pirijskira istraživanjem .

5. Šta j e nauka

U metodološkim udžbenicima čest je siučaj da se izbegava direktno defini-

sanje nauke. Postoje mnoge nauke, mnogi pogledi na nauku i saznanje, pa i
mnoge defmicije nauke. Teško je jednom defmicijom obuhvatiti sve nauke.
Umesto toga se obično čitavo poglavlje u knjizi, jedno ili više njih, posvećuje
nauci, saznanju i naučnom metodu. Mi ćemo postupiti na isti taj način. U pret-
hodnim poglavljima je bilo reči o epistemologiji, metodologiji i naučnom metodu,
u ovom će biti reči o nauci, a kroz čitavu knjigu će, manje ili više, biti reči o
ostalim važnim pojmovima naučnog saznanja.
Iz prethodnog opisa naučnog metoda se mora izvući zaključak da je za
nauku važno da bude u dodiru sa Ijudskim čulnim iskustvom i neposrednom
praksom. Jer nauka iz prakse i čulnog iskustva crpi ideje, a zatim ih na istoj toj
praksi i iskustvu proverava.
Medutim, odnos nauke i iskustva nije prost. Ako pogledamo u ekran
računara pred sobom, mi ne vidimo rojeve atomskih čestica, niti elektromagentna
polja. Kada bismo ostali na nivou čulnog iskustva nikada ne bismo znali da oni
postoje. Treba pošteno reći da je odnos stvamosti i saznanja „klizav teren” - kada
taj odnos analiziraju filozofi. Međutim, kada je nauka otkrila električnu struju i
atome, mogla je ne samo da objasni čulna iskustva, uključujući i ona koja protiv-
reče prethodnim iskustvima ili zdravom razumu, nego i da napravi monitor.
Praksa, odnosno primena nauke, pruža stabilniju osnovu za defmiciju nauke,
saznanja i naučnog metoda. U tom smislu, za defmiciju nauke su od presudne
važnosti tri postulata ili aksioma (Fajgelj, Kuzmanović i Đukanović, 2004):
• stvamost postoji,
• stvamost je moguće saznati i
• istina je prva i osnovna vrednost nauke.
Sada za nauku možemo reći da je ona čovekova delatnost koja ima za cilj
da spozna istinu, primenjujući naučni metod. Spoznatu istinu zovemo naučnim
znanjem, a nauka, dakle, ima za cilj da ovo znanje proizvodi. Ovako sročena defi-
nicija podjednako ističe znanje o nama i svetu oko nas, kao i put, odnosno
aktivnost kojim naučnici dolaze do tog znanja. Aktivnost, odnosno put ili proces
kojim se stiže do znanja nazivamo saznanjem. Postoji, dakle, razlika izmedu
pojmova „znanje” i „saznanje”. Znanje je rezultat saznanja. Znanje označava
nešto što je dostignuto, što već postoji - neko stanje duha, dok „saznanje” ozna-
čava proces, postupke i delatnosti.
U literaturi se oba termina vrlo često koriste naizmenično, a nekada se, da bi
se istakla karakteristika saznanja kao procesa, koristi termin „saznavanje”. Neki
filozofi ne razlikuju saznanje i znanje, a neki ne razlikuju znanje i istinu jer
 smatraju da znanje postaje znanje tek ako je istinito. U protivnom, ne možemo
govoriti 0 znanju nego o mišljenju (mnjenju) ili uverenju. U ovom tekstu ćemo i
mi, da bismo izbegli ponavljanje para „znanje i saznanje”, koristiti čestu praksu
da se pod terminom „saznanje” podrazumeva i jedno i drugo.
Neke dcfinicije nauke se mogu podeliti na sličan način kako smo podelili
znanje i saznanje. Prvi tip defmicija, statički tip, nauku tretira kao sumu svih
postojećih znanja i kao način da se nova znanja dodaju postojećim. Po statičkom
pogledu nauku čini prvenstveno znanje. Drugi tip, dinamički, na nauku gleda
prvenstveno kao na aktivnost kojom se naučnici bave. Ova aktivnost je istraži-
vačka jer naučnici teže otkiiću. Ovaj drugi tip defmicija nauke Kerlinger i Lee
(2000) nazivaju heurističkim pogledom' i kažu za njega da u prvi plan ističe
teoriju kao podsticaj i osnovu za dalje istraživanje.
Dalje, u definisanju nauke (i naučnog metoda) ističe se njen ja vn i karakter.
Po toj defmiciji, svaki korak u naučnom saznanju jeste i mora biti javan - sve do
konačnog koraka - samog znanja. Tajna znanja i veštine ne spadaju u nauku.
Javnost naučnog rada je u uskoj vezi sa principima skepse, kritičnosti, objek-
tivnosti i proverljivosti.
Mnogi autori ističu da javnost naučnog rada spada, zapravo, u jedan širi
okvir u kome treba posmatrati nauku. Nauka je naime, uvek, društvena delatnost.
Društvo postavlja opšte okvire bavljenja naukom, postavlja naučne ciljeve i pro-
bleme, ali i kritcrijume za ocenjivanje - društvenu verifikaciju. Naravno, društvo
može da vrši i „negativne” uticaje na nauku: da unosi zablude, da odbacuje revo-
lucionama olkrića i nameće stereotipe.
Nauka ima još jedno važno svojstvo koje proističe iz opisanih svojstava
naučnog metoda, a to je autokorektivnost. Pošto postoji javnost rada, skepsa i
empirijska provera, može se smatrati da je u nauku ugradena autokorekcija.
Zahvaljujući ovom svojstvu, nauka će svoje greške i zablude, pre ili kasnije, sama
prvo uočiti a zatim nastojati da otkloni.
Kao što je već rečeno prilikom opisivanja naučnog metoda, nauka se često
definiše tako što se suprotstavlja zdravom raziimu. Za zđravi razuni se duhovito
kažc da ,je njegov iskijučivi kriterijum taj da nove ideje moraju izgledati kao
stare”. Osnovne razlike između nauke i zdravog razuma su u tome što nauka: a)
sistematski izgraduje svoje teorije, pojmove i hipoteze, b) što ih sistematski i
empirijski proverava, c) kontroliše moguće uticaje drugih pojava, d) pažljivo
izbegava da pojavama pridaje „metafizička objašnjenja”, za koja je karak-
teristično da se ne mogu proveriti, e) sistematski pronalazi i izučava odnose među
uočenim pojavama i f) zasniva svoja istraživanja što je moguće više na stvamosti,
a što je moguće manje na ličnim uverenjima, vrednostima, stavovima ili emoci-

■*Heuristika je metod rcšavanja problema koji se primenjuje kada nisu po:jnate sve
informacije o problcmii. Moguća rešenja se ocenjuju da li su „dobra” ili „loša” vrlo često
na osnovu pokušaja i pogrešaka ili na osnovu bilo kog raspoloživog kriterijuma i dostupnih
infoniiacija. Često se, kao ovde, heurističnim naziva svako saznanje do koga sc dolazi
đomišljatošću, lukavošćuiliinventivnošću-strategijamakojepodstičuislimulišuspoznaju.
jama. Iz prethodnih rečenica se može uočiti da one ponavljaju neke pojmove koji
su ovde istaknuti kao osnovni epistemološki principi: sistematičnost, provera i
objektivnost, uz dodatak pojma kontrole.
U nekim definicijama se u prvi plan ističe značaj naučnog objašnjenja sveta
i pojava, te se naučno znanje u celini vidi samo kao preduslov da bi Ijudi mogli da
objasne svet. Razumevanje sveta oko nas i pretnje koju on predstavlja najveća je
težnja čovekova, pa prema tome i osnovni cilj nauke.
S druge strane, nauka se često defmiše preko njene praktične funkcije,
prvenstveno društvene. U tom smislu se od nauke očekuje da „popravlja stvari”,
da rešava probleme i da bude deo opšteg progresa, ako ne i njegov nosilac. Vrlo
slična ovakvoj defmiciji je i defmicija nauke kao najboljeg čovekovog sredstva da
predviđa događaje u budućnosti.
Time nije iscrpljeno sve što može poslužiti za defmiciju nauke. Recimo, ako
se u obzir uzmu epistemološki kriterijumi iz prethodnog poglavlja mogla bi se
dati 1 sledeća defmicija nauke: „Nauka je skup istinitog, opšteg, objektivnog,
sistematizovanog, preciznog, pouzdanog i proverljivog znanja o prirodi, Ijudskom
dništvu i čoveku.” U narednim poglavljima biće opisani elementi naučnog
saznanja i osnovne teorije istine, je r istinu i način dolaženja do nje takođe treba
imati u vidu kada se određuje šta nauka jeste.
D edukcija i indukcija. - Jedan od mnogih Aristotelovih doprinosa
celokupnoj nauci jeste afirmacija dedukcije. Po Aristotelu, dedukcija je način
mišljenja u kome se pomoću višeg temiina, a posredstvom srednjeg termina
(svojstva), izvodi zaključak o nižem terminu. Suštinu dedukcije Aristotel je video
u silogizmu. Dedukcija je takav p u t od opštem ka pojedinačnoin u kome, ako su
premise istinite, i sam zaključak nužno je istinit. Zato je Aristotel smatrao da je
dedukcija superioma u odnosu na sve ostale metode i da je ona osnovno sredstvo
traganja za istinom. Vekovima se dedukcija smatrala jedinim dopustivim načinom
zaključivanja u nauci.
Istovremeno, po klasičnom gledištu, dedukcija predstavlja tok zaključivanja
od opšteg ka specifičnom, ih od univerzalnog ka pojedinačnom. Mnogi su uočili
da kad bi svo naučno zaključivanje bilo takvo, u nauci ne bi postojale nikakve
novine. Takođe, osnovni cilj naučnog saznanja jeste spoznaja opšteg, a dedukcija
pretpostavlja da je opšte već spoznato. Tokom razvoja nauke ove protivurečnosti
su se uobličile u pitanje: „kako spoznajemo opšte?”
Prvi ozbiljan odgovor na ovo pitanje dao je Francis Bacon u XVI veku,
nakon dominacije srednjovekovne sholastike (prouzrokovane ideologiziranom
primenom Aristotetolovog učenja). Baconov doprinos se ogleda u afirmaciji
indukcije kao logičke i naučne metode. Indukcija se defmiše kao način zaključi-
vanja posredstvom koga se o d pojedinačnihprem isa dolazi do saznanja opšteg.
Kvintesencija indukcije kao logičke metode jeste postupak generalizacije.
Analizirajući određeni broj elemenatajedne klase, mi zaključujemo da svi pripad-
nici te klase poseduju neke osobine. Dakle, na osnovu analize „nekih” doiazimo
do saznanja „svih”. Ovaj „skok sa pojedinačnog na opšte” naziva se generali-
zacijom, ali do danas nisu nadeni čvrsti, logički utemeljni razlozi kojim bi se bilo
koja ovakva generalizacija mogla potpimo opravdati. Zato se danas smatra da je
svo saznanje stečeno pomoću induktivne logike manje ili više verovatno, te se u
njega uvek može sumnjati. Sa stanovišta logičara, takvo saznanje je veoma
problematično.
Međutim, danas se na indukciju gleda kao na deo metodologije nauka,
posebno prirođnih, a ne kao na deo logike (jer se smatra da je sva logika deduk-
tivna). U savremenim naukama, induktivna metoda je usko povezana sa iskustve-
nim podacima i sa empirijskom proverom. Kao deo naučne metodologije induk-
tivna metoda i dalje pati od spomenutog nedostatka - bez obzira koliko je
elemenata neke klase uzeto kao osnov za zaključak, nikad nećemo biti sigumi da
ne postoji još neki element koji bi zaključak opovrgao. Medutim, u savremenim
naukama, koje se baziraju na iskustvenim podacima, donošenje generalizacija i
njihova konstantna provera spadaju u samu osnovu naučne metode. Shodno tome,
i induktivna metoda je deo temelja modeme nauke.

6. Sta je istina

Istina je jedan od temeljnih pojmova svekolike Ijudske misli. Nažalost,

istinu je vrlo teško defmisati. Definicija istine bi morala biti istinita. Zato su se
brojni pokušaji defmisanja istine zavrteli u začaranom krugu, u obhku iskaza;
„istina je ono što je istinito”. U izvesnom smislu se, stvarno, može reći da istina
defmiše samu sebe. Naravno, većini istraživača to ne može biti dovoljno i oni će
sa razlogom očekivati da se o istini kaže nešto odredenije. Delovi odgovora na
pitanje o tome šta je istina i šta je istinito nalaze se u većini poglavlja ove knjige.
Istina se na posredan način defmiše i kroz tumačenje nauke, naučnog metoda,
saznanja i znanja, što je učinjeno u ovoj glavi. Da bismo izbegh uranjanje u
problem istine, što bi ovaj tekst opteretilo i sadržinski i prostomo, iznećemo samo
neke osnovne okvire u kojima su se kretale dosadašnje definicije istine.
Prva teorija istine, ]tr se o njima može baš tako govoriti - kao o teorijama
istine - jeste Aristotelova teorija korespondencije. Ova klasična teorija istine
kaže da je sud istinit ako se slaže sa onim o čemu sudi, a ono je, po Aristotelu,
onakvo kakvo jeste bez obzira na naš sud. Jednostavno rečeno, teorija korespon-
dencije kaže da se istina krije u „slaganju misli i stvari”. Važno je uočiti da po
ovoj teoriji istina nije unutrašnje svojstvo suda, nego njegovo svojstvo saglasnosti
sa stvamosti (Filipović, 1965, Marković, 1981).
0\oi teoriju istine su prihvatili realistički mislioci koji smatraju da stvamost
postoji nezavisno od saznanja, recimo Tomasso d’Aquino (Toma Akvinski) i
Gottfried Wilhehn Leibniz, zatim filozofi i epistemolozi empirističke orijentacije
koji saznanje oslanjaju na (čulno) iskustvo, a konačno i savremeni pozitivisti
(npr. Bertrand Russell i Ludvvig J. J. Wittgenstein). Teorija korespondencije je
modifikovana u nekoliko navrata, a doživela je i nekoliko različitih interpretacija.
Naime, u zavisnosti od filozofskog pravca menjala su se shvatanja o tome šta je
 stvamost i kako je saznajemo, pa je i iskaz o „slaganju suda i stvamosti” morao
biti prilagođavan.
Jedna od najozbiljnijih kritika teorije korespondencije je upravo u tome što
mi ne znamo stvamost da bismo mogli upoređivati naše stavove sa njom. Mi smo
tek na tragu te stvarnosti, poznajemo je samo delimično i ne možemo biti sigumi
d a je naše znanje lišeno subjektivnili elemenata. Zato je i poređenje suda i stvar-
nosti uvek delimično i relativno. Ako utvrdimo da se slažu, preostaje nam jedino
da verujemo da je to slaganje pravo i da će takvo ostati i dalje. Defmicija istine
koja se zasniva na uverenjima nije dobra defmicija.
Dm ga ozbiljna kritika teorije korespondencije je ona koja kaže da je putem
korespondencije nemoguće proveriti istinitost sudova o apstraktnim i izvedenim
sudovima (kao npr. u matematici), koji kao svoj predmet nemaju stvarnost.
Neke savremene tcorije istine su potpuno odbacile teoriju korespondencije
i okrenule su se svojstvima suda kao takvog. Među takve teorije spada teorija
evidencije ili očevidnosti, koja kaže da je istinit svaki iskaz koji je očigledan,
dostupan čulnoj proveri i što svaki pojedinac može proveriti - na primer: „ovaj
cvet je crven”. Teorija evidencije spada u tzv. subjektivističke teorije istine i nije
široko prihvaćena.
Mnogo više traga je ostavila teorija koherentnosti Immanuela Kanta. Ona
kaže da je istina u unutrašnjem skladu mišljenja. Da bi neki sud bio istinit mora se
slagati sa zakonima mišljenja i sa drugim sudovima. lako je nesumnjivo da
istinite teorije moraju imati unutrašnji sklad i logične međuodnose delova, kao što
su pojmovi i hipoteze, teorija koherencije je naišla na nekoliko ozbiljnih
problema. Kao prvo, nije uspelo precizno definisanje koherencije mišljenja i
stavova. Zatim, „ima umobolnika čije je mišljenjc savršeno koherentno ... ali
pošto su pošli od pogrešnih premisa i zaključci su im lažni” (Marković, 1981).
Unatoč problemima, unutrašnja koherentnost ili intema konzistencija teorije je
svima razumljiv i intuitivno jasan zahtev koji naučno saznanje mora ispuniti.
Postoji i pragmatička teorija istine, koja za istinito proglašava ono što je
korisno, dobro, plodno, bilo za pojedinca bilo za dmštvo. Biologija i teorija
evolucije supredstavljali posebnupodršku ovoj teoriji. Nesum njivoje tačno da su
istinita znanja veoma korisna za preživljavanje čoveka kao vrste. Medutim, ne
važi i suprotno, nije svako biološki korisno mišljenje i istinito.
Takođe, vrlo su poznate i semantička, dijalektičko-humanistička i modalna
teorija istine. Semantička teorija istine Alfreda Tarskog polazi od teorije kores-
pondencije, ali umesto slaganja suda i stvamosti uvodi slaganje objekata u okvim
jednog iskaza ili rečenice. Iskaz koji tvrdi da se neke stvari ponašaju tako i tako
biće istinit samo ako se one tako ponašaju. „Pada sneg” je istinit iskaz samo ako
sneg pada.
Dijalektička teorija istine je razvijena iz Mancovog učenja (Marković, 1981)
i istinu je situirala u čovekovu dmštvenu praksu, dmštvene vrednosti i istoriju.
Istina je integralni deo čovekovog bivstvovanja i odnosa prema svetu i društvu.
Zbog toga je ona relativna, niko je apsolutno ne poznaje, ah se čovek njoj stalno
približava kroz praktičnu delatnost i dmštveni razvoj.
 Modalna teorija takođe odbacuje mogućnost da se jedno naučno saznanje
može odrediti kao apsolutno istinilo ili neistinito. Saznanje je samo manje ili više
verovatno. Modalna teorija ili modalna logika razvrstava sudove ne po njihovom
statusu tačno-netačno, nego u četiri inodusa: a) apodiktički - nužni, b) kontin-
gentni - postojeći ali ne i nužni, c) mogući i d) nemogući. Za modalnu logiku je
tesno povezana i teorija verovatnoće, jer se u sledećem koraku analize modalnosti
sudova svakom modusu može dodeliti i verovatnoća: jedan sud može biti moguć
sa izvesnom verovatnoćom. Modalna teorija se smatra savremenom relativistič-
kom teorijom istine.
Ovim nisu iscipljeni svi pogledi na istinu, niti sve varijante tih pogleda
(Fajgelj, Kuzmanović i Đukanović, 2004). Osim toga treba reći da prezentirana
podela glavnih teorija istine nije jedina moguća podela. Moguće je shvatanja
istine podeliti i na apsolutna i relativna ili ohjektivna i subjektivna. Apsohitna
istina je nepromenjiva i večna; objektivna istina važi za sve Ijude podjednako, a
subjektivna samo za jednog čoveka ili za neke odredene Ijude.

7. Osnovni elementi naučnog saznanja

Naučno saznanje i znanje se sastoji iz određenih elemenata koji stoje u

odredenim medusobnim odnosima. U svakom koraku naučnog saznanja se
susreću svi elementi saznanja, isto kao što svaki korak saznanja služi da se neki
elementi formiraju, a neki provere ili modifikuju. Elementi naučnog saznanja su
od značaja i za epistemološku analizu, jer kad znanje raščlanjujemo da bismo ga
vrednovali, raščlanjujemo ga na njegove elemente.

a. Pojam, konstrukt i varijabla

Pojam i konstrukt su osnovni elementi naučnog saznanja. Pojam nastaje

pomoću apstrakcije i generalizacije. Pojam izražava neku apstrakciju koja je
nastala generalizacijom pojedinačnih opažanja ili iskustava. Apstrakcija, takode,
podrazumeva da se nešto izdvoji i zadrži a ostalo zanemari i odbaci. Ako je pojam
„težina”, on je nastao opažanjem mnogih materijalnih stvari, izdvajanjem jedne
njihove osobine i zanemarivanjem ostalih osobina, kao što je recimo „boja”.
Dakle, pojam ima svojstva opštosti i apstraktnosti. Zato se smatra da su
pojmovi izvesne naše ideje o svetu, koji je uvek konkretan i pojedinačan. Pojmovi
su zato prvi korak u saznanju, ali to ne uopšte ne znači da se do njih lako dolazi.
Za pojam se danas obično kazuje da predstavlja neku klasu ili skup.
,,Čovek” je jedna takva klasa, koju mi posedujemo kao pojam. Klasa „čovek” ima
ninoštvo podklasa, recimo: „profesor” i „student”. Klasu mogu da sačinjavaju
stvarni i zamišljeni objekti, svojstva tih objekata i odnosi tih objekata. Recimo,
„Ijubav”, „lep”, „manji” itd. Pojmovi se mogu podeliti na mentalne, kada spadaju
u oblast psihologije, i logičke ili naučne, kada spadaju u oblast nauke i filozofije.
Mentalni pojmovi su naši svakodnevni pojmovi, koje stvaramo na osnovu naših
urođenih sposobnosti i na osnovu svakodnevnog praktičnog iskustva sa okolinom.
Oni su promenljivi, intuitivni, preklapaju se, razlikuju se od čoveka do čoveka,
iskazuju se rečima prirodnog jezika i imaju mnoga konotativna značenja (v.).
Logički ih naučni pojmovi nisu drastično različiti od mentahiih, osim što se za
njih kaže da se ne nalaze ,,u glavi” nekog čoveka, nego su dostupni svima, a da bi
bili takvi moraju se precizno opisati i napisati. Naučni pojmovi nastoje da se ne
preklapaju, nastoje da budu precizno defmisani, a njihovo značenje mora da bude
prvenstveno denotativno (v.).
Kako nastaju pojmovi, odnosno pomenute klase, pitanje je koje sebi postav-
Ijaju mnoge nauke. Još je Aristotel uočio da se pojmovi mogu podeliti po opštosti
i da postoje izvesni najopštiji pojmovi - kategorije. Izvesni, vrlo uticajni filozof-
ski pravci smatraju da su kategorije nama date same po sebi i da se ne moraju
posebno saznavati. To nije opšte prihvaćen stav. Generalno rečeno, mentalni poj-
niovi se stiču procesima individualnog posmatranja, učenja, uopštavanja, apstra-
hovanja, poredenja itd. Naučni pojmovi se stiču procesom naučnog saznanja, ali
ono, u osnovi, sadrži vrlo slične operacije koje koriste pojedinci za formiranje
svojih pojmova.
Pojmovi se mogu razlikovati i po obimu i sadržaju. Obim pojma se odnosi
na broj objekata na koji se pojam odnosi, tj. na veličinu klase. Sadržaj pojma je
skup karakteristika koje su apstrahovane i generalizovane kod objekata i opažaja
koji su ušli u pojam. Sadržaj pojma je, nasuprot samom pojmu, nešto konkretno.
Sadržaj pojma „čovek” su naši roditelji, rodbina, prijatelji, prolaznici i svi drugi
koje srećemo i koje smo sreli, a koji liče na nas. Sadržaj pojma „težina” se odnosi
na svojstvo stvari da tonu, da su neke toliko teške da ne mogu da se nose, da
mogu da se vagaju itd. liustrativan primer za odnos obima i sadržaja pojma je
pojam „prosečnog čoveka”. Sasvim je moguće da taj pojam ima nuhi obim jer
nijedan čovek nema tačno onu kombinaciju osobina koje sadižaj pojma podra-
zumeva, ali je sadržaj precizno definisan kao „čovek koji ima te i te osobine”.
K o n s t r u k t takode pojam, ali se on koristi u jednom specifičnom kontekstu
- naučnom. Konstrukti su naučni pojniovi koji su fomiirani sa eksplicitnom
namerom da se pomoću njih objasne diaigi pojmovi ili da se provere neki teorijski
stavovi. Pojmovima operišu svi Ijudi, a konstruktima naučnici. Važno je zapamtiti
da se konstrukti defmišu tako da se mogu posmatrati ili izmeriti (v. operacionalne
defmicije). U istraživačkom žargonu se umesto tennina „konstrukt” veoma često
koristi termin „varijabla”. Zbog značaja pojma varijable biće mu posvećena
posebna glava.

b. D efinicija

Kao što je čitalac već mogao pomisliti, prvi koji je „defmisao defmiciju”
bio je Aristotel i to pomoću „najbližeg višeg rodnog pojnia i karakteristične razli-
ke” (lat. per genus proximum et p er differentiam specificam). Aristotel, kao i
nmogi posle njega, smatrali su da je defmicija objašnjenje suštine stvari, a tek u
novije vreme se defmicija tretira kao tumačenje značenja neke reči.
Najjednostavniji opis svake defmicije je: „5 je P ”. 5 i P su pojmovi, pri
čemu se subjekt S naziva defmiendum, a predikat P se naziva definiens, na
primer, „Čovek je životinja”. I definiendum i defmiens mogu biti složeni izrazi, a
ne pojedinačne reči. Defmiens se, tako, može sastojati od nabrajanja ili cele
rečenice. Medutim, u skladu sa Aristotelovim shvatanjem, defmiendum je uvek
pojedinačnog karaktera, a defmiens opšteg. Suština klasičnog shvatanja defmi-
sanja je u uopštavanju. Međutim, po savremenom shvatanju, suština defmisanjaje
u tumačenju značenja manje poznatih pojmova poznatijim pojmovima, novih
pojmova starim, pa sve do toga da je defmisanje „transformacija jednih reči u
druge”. Po savremenim shvatanjima, defmicija je element naučnog saznanja i
predstavlja iskaz kojim se određuje značenje nekog pojma.
Dobre defmicije čine naučni jezik jasnijim, preciznijim i svima razumlji-
vim. Defmicije su najbolji način da se sistem naučnih pojmova izgrađuje, usavr-
šava i proširuje. Definicije su preduslov zadovoljavanja epistemoloških principa
kao što su intersubjektivna saglasnost i proverljivost.
Idealni oblik prethodne defmicije, po Aristotelu, bio bi „Čovek je
racionalna životinja”. „Zivotinja” je u tom iskazugenusproximum, a „racionalna”
differentia specifica. Na nesreću, naučna potreba za definicijama postoji i onda
kada ne znamo šta je prvi opštiji pojam i šta je specifična razlika. Kao posledica
toga nastaju defmicije koje odstupaju od Aristotetolovog ideala da je defmicija
objašnjavanje suštine. Uzmimo na primer tzv. pokaznu (ostenzivnu) definiciju;
,,Ovo je Severnjača”. Marković (I9 8 I) smatra da su pokazne definicije u
epistemološkom smislu bliže perceptivnim sudovima nego defmicijama, te ne
pomažu mnogo u razumevanju značenja pojmova.
Postoje mnoge klasifikacije defmicija i analize strukture i saznajne vred-
nosti svake od klasa. Realne definicije su one koje uspostavljaju vezu između reči
i stvari, a nominalne one koje uspostavljaju vezu između reči. Nominalne
defmicije se dalje mogu podeliti na empirijske i normativne. Empirijske defmicije
nabrajaju skup značenja u kojima se defmiendum koristi u nekoj naučnoj ili
Ijudskoj zajednici. Pošto se ove defmicije koriste u rečnicima, nazivaju se i
leksičkim. Na primer, „Emocionahia stabilnost je emocionalna zrelost, otpornost
na frustraciju, mogućnost odlaganja potreba i stvaranje dobrih odnosa sa drugim
Ijudima”. Normativne ili stipulativne defmicije određuju pravila za buduće
korišćenje termina, autor normativne defmicije propisuje šta će termin značiti. Na
primer, „Pod emocionalnom stabilnošću treba podrazumevati uspešno razrešenje
emocionalnih konflikata iz detinjstva”.
Epistemološki su vredne i tzv. genetičke defmicije, koje objašnjavaju način
nastanka objekta koji se definiše. Recimo: „Čovek je nastao evolucijom od viših
primata, uspravljanjem na dve noge i upotrebom govora i oruda”. Dobre su i
analitičke defmicije koje u defmiensu nabrajaju sve bitne odlike defmienda,
recimo: „Čovek je jedino živo biće koje sebi pravi omđa za rad”. Defmisanje
putem nabrajanja primera ili svih sličnih objekata je osnova denotativnih defmi-
cija, koje su vrlo česte i važne u svakodneynom životu, ali manje vredne za nau-
ku, recimo: „Čovek je Aristotel, Njutn, Gali'lej, Rasel, Frojd itd.” Defmicija koja
se po savremenoj metodologiji smatra bezvrednom je negativna defmicija - npr.
„Čovek nije biljka”. Treba reći da se genetičke, analitičke, denotativne, teorijske
i operacionalne definicije nekad nazivaju metodima defmisanja.
T eorijske i operacionalne definicije - Za istraživača je možda najvažnija
podeia na teorijske {konceptualne, konstitutivne) i operacionalne defmicije.
Teorijske defmicije su sve one koje jedan pojam objašnjavaju drugim pojmovima,
po pravilu na jedan apstraktan i uopšten način. Na primer, psiliolozi kažu: „Ank-
sioznost je subjektivan strali”, ili „Frustracija je stanje koje se javlja kada Ijudi
osećaju da su njihovi ciljevi blokirani unutrašnjim ili spoljašnjim barijerama”, ili
„Klinička depresija je preovladavanje negativnog mišljenja” itd.
Operacionalne defmicije objašnjavaju značenje defmienda putem aktivnosti
ili operacija koje su neophodne da se on: a) zapazi ili da se zapaze njegove posle-
dice, b) izazove i c) izmeri. Posebnu epistemološku snagu imaju operacionake
defmicije koje kao definiens specificiraju operacije merenja. Ako možemo da
opišemo način na koji se neka varijabla meri i na koji se dobijene mere mogu
protumačiti, postigli smo da se varijabla može kvantifikovati.
Operacionalne defmicije su potekle iz operacionalističkog pravca u filozo-
fiji, čiji je začetnik Nobelovac P. W. Bridgeman. Bridgeman kaže: „Generalno,
pod bilo kojim pojmom mi ne podrazumevamo ništa više nego skup operacija;
pojam je sinonim za odgovarajući skup operacija.” Zato se kaže da su opera-
cionalne defmicije uputstva istraživaču: „uradi to i to na taj i taj način i dobićeš
varijablu X '. Ako se realne definicije mogu opisati kao struktura reč-stvar,
nominalne kao struktura reč~reč, onda operacionalne definicije imaju strukturu
reč-operacije.
Navedene operacije „izazivanja” varijable su veoma važne sa eksperimen-
talna istraživanja. U kontekstu eksperimentalnih istraživanja se pod tim operacija-
ma podrazumevaju operacije manipulisanja varijablama. Zato neki autori kažu da
postoje dve vrste operacionalnih defmicija: 1) merne i 2) eksperimentalne. Meme
su one u kojima se navode samo operacije merenja varijable. Tačnije, one objaš-
njavaju kako se varijabla meri ili kako će biti merena. Recimo, nivo stresa kod
zaposlenih će biti iskazan brojem dana odsustvovanja. Ili, osobina „pažljivosti”
kod dece u vrtiću biće iskazana brojem upotrebljenih izjava kao što su „molim”,
„izvini” i ,,da li mogu”.
Eksperimentalne dcfmicije opisuju operacije pomoću kojih istraživač
manipuliše varijablom. Na primer, potkrepljenje se može operacionalno defmisati
navođenjem detalja pomoću kojih se subjekt potkrepljuje za jedno a kažnjava za
drugo ponašanjc. Prilikom ispitivanja dugotrajne memorije, složenost informacija
se defmiše težinom numeričkih zadataka koji se prezentiraju subjektima. Ili, da bi
se učinilo da lica učesnika u istraživanju izgledaju kao da se smeju daće im se da
drže olovku u zubima.
Značaj operacionalnih definicija za empirijska istraživanja je nemerljiv.
Kasnije će biti pokazano kako je operacionalizacijajedan generalan proces koji je
neophodan u svim početnim delovima empirijskih istraživanja. Kao prvo, empi-
rijska istraživanja ne mogu postojati bez islcustvenih podataka, a iskustveni poda-
ci su nemogući bez jasnih i određenih instrukcija za njihovo prikupljanje. Drugo,
operacionalne defmicije su preduslov kvantifikacije, kao saznajno najtačnije
metode prikupljanja podataka. Treće, one su preduslov proverljivosti istraživanja
putern njegove ponovljivosti.
Osnovni prigovor operacionalnim defmicijama, koji se standardno sreće u
metodološkim udžbenicima, jeste da one ne mogu pokriti svo bogatstvo sadržaja
naučnih pojmova i veza među njima. Takođe, credo operacionaHzma: ,,da sve što
postoji postoji u nekoj kohčini, pa se može i izmeriti”, doveo je do pogrešnog
zaključka da ,,što se ne može izmeriti i ne postoji”. Ove primedbe su nesumnjivo
tačne, aU je tačna i opaska nekih autora da su operacionalno defmisani pojmovi
jedini pojmovi na koje se možemo osloniti, dok su sve ostale defmicije manje ili
više proizvoljne. Neki autori sugerišu zaključak da svi ostali tipovi defmicija
mogu biti naučno plodni, ali da su operacionahie defmicije potrebne da bi se sve
ostale proverile.

c. H ipoteza

Reč hipoteza je starogrčkog porekla i znači pretpostavka. U nauci se

hipoteza po pravihi fomiira kao probno objašnjenje neke pojave i često nastoji da
pruži odgovor na pitanja „Zašto” i „Kako”. Umesto reči „probno” koriste se i
termini „moguće”, „potencijalno”, „pretpostavljeno” ili čak „zamišljeno”. Dakle,
hipoteza sadrži objašnjenje koje je još uvek neizvesno i koje je u maloj meri
zasnovano na empirijskim podacima. Hipoteze se prave sa ciljem da budu iskus-
tveno proverene. Kada se hipoteza potvrdi (i ako se potvrdi), rezultat će biti
naučni zakon koji predstavlja najvrednije objašnjenje pojave koja je predmet
saznanja. Saznajni proces počinje hipotezom, nastavlja se empirijskom proverom
a završava naučnim zakonom.
Tačno je da hipoteza nastoji da pruži probni odgovor na pitanja „Zašto” i
„Kako”. Međutim, naučne hipoteze se ne fonmilišu kao upitne rečenice, nego kao
iskazi koji dovode u vezu pojmove. Pošto je svrha naučnih hipoteza da budu
dokazane ih opovrgnute, njihova fonnulacija mora biti takva da to omogućava.
Dokazivanje hipoteze će biti moguće samo ako su pojmovi koje ona povezuje
adekvatno defmisani. Najbolje je ako su pojmovi takvi da se mogu meriti.
Recimo, iskaz; „Vera čini čoveka boljim” dovodi u vezu religioznost i izvestan
kvahtet Ijudi, verovatno morahii. Ovaj iskaz nije empirijski proverljiv sve dok ne
definišemo veru i dobrotu tako da ih možemo porediti. Iskaz nije ni odbaciv, jer
nije odreden u pogledu broja Ijudi na koji se odnosi, niti je određen u pogledu
značenja „bolji”. Bolji od koga? Da bi od ovog iskaza nastala manje-više
standardna istraživačka hipoteza, koja bi otklonila ove nedostatke, morao bi se
prefonmilisati u: ,,Što Ijudi više veruju u Boga to su moralniji”. Ovo je sada
hipoteza zato što se; a) za stepen verovanja u Boga mogu pitati Ijudi sami, b) za
merenje moraliiosti postoje psihološki testovi i c) povezanost koja se opisuje u
hipotezi može se iskazati korelacijom.
Hipoteze po pravilu nastaju kada Ijudi imaju teškoće da objasne neke doga-
đaje ili činjenice, To isto važi za naučne hipoteze. lako je moguće da hipoteza
nastane i kao rezultat istraživačke inspiracije, pravi izvor svih hipoteza su nezna-
nje i želja da se ono prevazide. Kada dođemo na teren naučnih istraživanja, to
znači da se hipoteze izvode iz problema istraživanja sa ciljem da taj problem reše.
Hipoteza se vrlo često izjednačava sa teorijom, ali razlike postoje. O
naučnim zakonima i teorijama biće reči na sledećim stranama, a hipoteze će
kasnije biti detaljno obradene u zasebnom poglavlju.

d. N aučni zakon

Zakoni postoje u pravu i etici. Ti zakoni se nazivaju normativnim zakonima.

Zakoni postoje i u matematici i logici. Ti zakoni jesu naučni zakoni, ali se odnose
na apstraktne pojmove. U ovoj knjizi ćemo razmatrati samo takozvane empirijske
naučne zakone, koji se bave pojmovima iz realnog sveta - konkretnim pojavama.
Empirijski naučni zakoni su iskazi koji dovode u vezu dva ili više pojmova koji
se odnose na stvame objekte ili njihova svojstva. U pretiiodnom poglavlju smo
naučni zakon okarakterisali kao „dokazanu hipotezu”. Dakle, razlika između
zakona i hipoteza je u tome što zakoni moraju biti isiiniti.
Osim toga, za naučne zakone se obično zahteva da budu univerzalni i trajni,
ili barem relativno univerzalni i relativno trajni.
Mnogi epistemolozi zahtevaju da zakon utvrduje ne samo prostomo i
vremenski univerzalnu vezu između činjenica, nego i da ta veza bude nužna.
Naučni zakon je istovremeno osnova naučnog objašnjenja, jer on sadrži
opis pojava i opis veza između njih.
Jasno je da sve ove uslove ispunjava zakon koji između pojmova na koje se
odnosi tvrdi uzročnu vezu. Takvi zakoni se nazivaju kauzalnim i mnogi epistemo-
lozi podrazumevaju da jedino oni predstavljaju „prave” zakone. Kauzalni zakoni
ne nastaju potvrđivanjem bilo kojih hipoteza, nego samo onih koje sadrže odgo-
vor na pitanja „Zašto” i „Kako”. Recimo, od hipoteze ,,Svi Ijudi su smrtni” (za
koju se ispostavilo da je neproveriva) ne bi nastao (kauzalni) naučni zakon.
Osnovna teškoća sa kauzalnim zakonima je što ih je vrlo malo, ih ih skoro
nema u oblasti društvenih nauka. Šta više, pojam uzročnosti u oblasti društvenih
nauka se u celini dovodi u pitanje (von Wright, 1975, Milić, 1965). Umesto
kauzahiih naučnih zakona, u naukama o ponašanju se govori o empirijskim
generalizacijama, koje imaju niži nivo opštosti i trajnosti od zakona i o statis-
tičkim zakonima, u kojima se tvrdi da postoji stohastički (probabilistički) tip veze
između konstrukata, ali se ne tvrdi da je ta veza uzročno-posledična. Od poseb-
nog značaja za nauke o ponašanju su strukturalni zakoni, koji se razlikuju od
prethodno opisanihprocesnih zakona, jer defmišu postojanje odredene strukture
u stvamosti. Psihologija se, recimo, veoma mnogo bavi strukturom ličnosti ili
intelekta, isto kao što se fizika bavi strukturom atoma.

e. Naučna teorija

Definisati naučnu teoriju nije lak zadatak. Recimo, neko će teoriju u

prirodnim naukama defmisati kao skup naučnih zakona, dok će u društvenim
naukama teoriju defmisati kao skup hipoteza. Čitalac će razumeti zašto ćemo
ovde imati u vidu prvenstveno teoriju u društvenim naukama. Ima nekoliko aspe-
kata koji mogu da posluže da se teorija defmiše kao specifičan oblik naučnog
saznanja. To su: hipotetičnost, opštost i apstraktnost. Oni prvenstveno razdvajaju
„teoriju od prakse”, teoriju od svakodnevnog iskustva i teoriju od neposrednog
čulnog doživljaja. Zatim, u trijasu: hipoteza - zakon- teorija, teorijaje više empi-
rijskipotkrepljena od hipoteze, a martje odzakona. Popper je, recimo, smatrao da
se teorija gradi od potvrđenih hipoteza. Isto tako, hipoteze i zakoni su delovi
naučne teorije, a ne obrnuto.
Dobro je, dakle, misliti o teoriji kao tvorevini koja se sastoji odsvih ostalih
elemenata naučnog saznanja: pojmova, defmicija, hipoteza i zakona. Zato nije
dobro izjednačavati hipotezu i teoriju u načelu, iako neka teorija može biti malog
obima i može imati samo jednu hipotezu kao krucijalnu.
S druge strane, može se govoriti o strukturi naučne teorije kao samostalne
misaone konstmkcije, a ne kao prostog zbira ostalih delova. U tom smislu se
obično ističe da teorija ima syo]jezik (semantiku), osnovne i specifične prepos-
tavke (hipoteze) i metode i tehnike istraživanja. Pojednostavljeno, jezikom se
defmišu pojmovi i konstrukti, hipotezama se predlažu moguća objašnjenja veza
između pojmova, bilo uzročna bilo ne-uzročna, a metode se koriste prilikom
provere hipoteza.
Naučnici se često dvoume oko toga da li je teorija sredstvo i podsticaj
saznanju ili je njegov cilj. U srcu, naučnici će pre odabrati ovo drugo, smatrajući
da će tek tako zadovoljiti naučni zahtev za objašnjenjem sveta. Međutim, tačno je
i jedno i drugo, oba lica teorije se prepliću po fazama i u toku razvoja teorije. U
nešto drugačijem obliku, ove dve osnovne funkcije teorije se mogu formulisati na
sledeći način: a) organizovanje svih elemenata znanja sa ciljem da se daju naučna
objašnjenja i b) stvaranje novog znanja. Za ovu drugu funkciju se kaže da je
generativna jcT teorija treba da podstiče i omogući nove uvide i nova znanja.
Teorije mogu biti manjeg iU većeg obima, mogu biti jake ili slabe, progra-
matske, deskriptivne ili eksplanatorne.
Teorija i model. - Mi ćemo koristiti poznatu interpretaciju po kojoj je
model formalizovana teorija, zato što se u njemu formalnim jezikom, obično
matematičkim ili logičkim, defmišu pojmovi i veze između njih. Modeli, po
pravilu, nastaju iz teorije, pa teoriju i model nije lako razlikovati. Nekada se teori-
ja u celini predstavlja kao model, ili sadrži jedan ili više modela.
 Ključni pojam modela je izomorfizam. Model je izomorfan ako je paralelan,
ekvivalentan, odnosno ima jednaku formu kao i priroda, tačnije kao i pojave koje
on objašnjava. Izomorfnost modela se proverava empirijski, poredenjem „pona-
šanja” modela, odnosno predikcija koje iz njega proističu, sa stvamošću. Modeli
nisu nikada potpuno jednaki stvamosti je r su formalni, usmereni na ograničen
broj flinkcija, namenjeni simulaciji suštine itd. Međutim, ako je model dovoljno
izomorfan sa pojavama koje su modelirane, onda se izučavanje pojava može
zameniti izučavanjem modela. Duncan Luce (1999) kaže da su modeli precizni i
da se iz njih mogu izvesti precizne predikcije. Oba ova aspekta povećavaju odba-
civost modela, a time i njiliovu epistemološku vrednost.
Značaj modeliranj a u naučnom saznanju porastao je sa razvoj em kibemetike
posebno nakon II Svetskog rata. M edu najpoznatijim modelima danas su raču-
narske simulacije, uključujući i simulacije čovekovih kognitivnih procesa u
okviru oblasti koja se naziva veštačka inteligencija (Fajgelj, 1972). Osim toga,
kibemetika je učinila poznatim m etodcrne kutije. Po tom metodu, složen sistem
koji se proučava (kakav je npr. psiha) tretira se kao ,,cma kutija”. N a početku, ne
interesuje nas unutrašnja građa sistema, njegova stmktura ili delovi, nego samo
njegovo ponašanje. Da bismo razumeli sistem i otkrili kako on funkcioniše, mi
pravimo različite njegove modele i poredimo njihove reakcije na određene draži
sa reakcijama realnog sistema na iste draži. Izomorfizam u reagovanju ne znači da
je i stmktura identična, ali se metod pokazao kao vrlo koristan za generisanje
hipoteza.
Pctpuno u skladu sa metodom crne kutije je poznati „test Alana Turinga" za određiva-
nje da li mašine mogu da misle. Turing je inicijalno predložio svoj test kao „igru imitacije’ .
Mašini (tačnije računaru) se zada zadatak da imitira čoveka, Ako, zatim, ne možemo da
razlikujemo da li razgovaramo sa mašinom ili sa drugim čovekom, onda je mašina prošla
Turingovtest.
Joseph (Joe) VVeizenbaum je 1966 gcdine objavio Elizu (po liku iz drame Pigmalion),
program za analizu govora, koji svoju veštinu može da unapreduje. Eliza je postala čuvena
po skriptu (delu programa) koji je simulirao tehniku psihoteraplje Carla Rogersa nazvanu
.reflektovanje”. Čitava Eliza, pa i ovaj skript su, sa današnjeg stanovišta, bili naivni, vrlo
jednostavni i sasvim skromnog obima. Međutim, iz sledećeg primera jedne konverzacije sa
Elizom videće se da metod crne kutije uopšte nije naivan (velikim slovima su dati odgovori
mašine).

Ljudi su svi sličnl

U KOM SMISLU?
Uvek nas gnjave na ovaj ili onaj način.
MOŽETE Ll DA Ml DATE NEKI KONKRETAN PRIMER?
Pa, moj dečko me nagovorio da dođem ovamo.
VAŠ DEČKO VAS JE NAGOVORIO DA DOĐETE OVAMO.
Rekao mi je da sam stalno depresivna.
ŽAO Ml JE ŠTO ČUJEM DA STE DEPRESIVNI,
To je tačno, Nesrećna sam,
DA Ll MISLITE DA ĆE OVA VAŠA POSETA POMOČI DA NE BUDETE VIŠE
NESREČNI?
Treba mi neka pomoć, to sad izgleda Izvesno.
 ŠTA Bl VAMAZNAČILO UKOLIKO BISTE DOBILI NEKU POMOČ?
Možda blh shvatila kako da Izađem na kraj sa mojom majkom.
KAŽITE Ml VIŠE 0 VAŠOJ PORODICI
Mene Izdržava moja majka
KO VAS JOŠ U VAŠOJ PORODICIIZDRAŽAVA?
Moj otac
VAŠ OTAC?
VI pomalo ličite na mog oca.
KAKVU SLIČNOSTVIDITE?
Niste mnogo agresivnl, ali misllm da ne želite da to primetim.
ŠTA VAS NAVODI NA MIŠLJENJE DA NISAM MNOGO AGRESIVAN?
Ne raspravljate se sa mnom.
ZAŠTO MISLITE DA SE NE RASPRAVLJAM SA VAMA?
Bojite me se.
DA Ll VAS ČINIZADOVOLJNOM TO ŠTO VERUJETE DA VAS SE BOJIM?
Moj otac se plaši svakoga.
NA ŠTA JOŠ POMISLITE KADA SE POMENE VAŠ OTAC?
Na dobričine.
IMA Ll TO NEKE VEZE SA TIME ŠTO VAS JE VAŠ DEČKO NAGOVORIO DA
DOĐETE OVAM O?...

Sam VVeizenbaum je bio zaprepašćen efektom Elize kada ju je učinio dostupnom

sekretaricama I tehničkom osoblju Laboratorije za veštačku inteligenciju na MIT. Onl su
počeli provoditi sate za temninalom računara i bili su uvereni da Eliza sWarno razume njiho-
ve probleme. Kada je svojoj sekretarici rekao da ima pristup svim razgovorima koje je Eliza
vodila, bila je besna I optužila ga da se meša u njen prlvatni život, pošto se očigledno pove-
ravala računaru.
Još je zanimljivija anegdota sa jednim istraživačem koji je do kasno u noć pripremao
važnu prezentaciju za donatcre. Pošto je imao razne tehničke probleme, pomislio je da je to
zbog toga što je istovremeno bio uključen računar na kome je radio VVeizenbaum. Otišao je
u njegovu kancelariju da ga ubedi da se isključi, ali VVeizenbauma nije bilo nigde, jedino je
njegov računar bio uključen, ali sa praznim ekranom. Pomislio je da VVeizenbaum radi cd
kuće i ukucao:

Džo, molim te da se izloguješ.

ZAŠTO KAŽETE DA SE IZLOGUJEM?
Džo, treba mi računar za sutrašnju demonstraciju VI.
ZAŠTO VERUJETE U TO?
Džo, ozbiljno. Moram da spremim demonstraciju za sutra i treba ml računar.
MOŽDA SU UZROK TOME LJUDI SA KOJIMA SE SREČETE.

Nakon još nekoliko sličnih razmena, istraživač je zaključio da je Džo nevaspitan,

nazvao ga je telefonom kući i proderao se: "Džo! ******* jedan! Zašto mi to radiš?" S obzi-
rom da je bilo četiri sata ujutru I da VVeizenbaum nije znao da je ostavio upaljen računar na
kome je radila Eliza, bunovno je upitao: ,,Šta to znači šta ti radim?” Pošto je taj odgovor
toliko ličio na one prethodne, Elizine, ništa nije moglo ubediti istraživača da I oni nisu bili
delo VVeizenbauma.
Danas se na Internetu mogu naći brojne verzije Elize, pa se čak mogu instalirati I na
kućnom računaru. U debatu oko Turingovog testa i Elize uključill su se i psiholozi psiho-
terapeuti, nastojeći da demantuju ili barem omeđe mogućnosti .računarske psihoterapije' (o
kognitivnom aspektu Elize može se pročitati kod Gardnera i sar., 1999).
 G ra d n ja teorije. - Pokušaji da se aksiomatske teorije primene na empirij-
skim naukama nisu uspeli, fako da je aksiomatski način gradnje teorije ostao
rezervisan za formalne discipline kao što je matematika. Umesto aksiomatskih
sistema, u epistemologiji empirijskih nauka dugo vremena je dominirao takozvani
hipotetičko-deduktivni način gradnje teorije. Njegovi počeci se nalaze kod Sir
Isaaca Newtona, a detaljnu obradu i sam naziv je dao Karl Popper.
U literaturi se mogu sresti pomalo disparatne definicije ovog metoda. Mi
ćemo, jednostavno, koristiti njegov naziv. Dakle, shodno nazivu, saznajni tok
počinje hipotezom, a rastavlja se dedukcijom. Hipoteza je, da podsetimo, probno
objašnjenje neke pojave. Iz ovog probnog objašnjenja se mogu izvesti neke
predikcije u obliku logičkih zaključaka koji su izvedeni deduktivno. Ove predik-
cije se onda moraju iskustveno proveriti, ili u skladu sa Popperovim originalnim
stanovištem, moraju se podvrći falsifikaciji.
Teorija nastaje kao višeslojna struktura u kojoj jedne hipoteze slede iz
drugih. Prvo pravilo je da se naredne hipoteze ne mogu izvoditi dok se dedukcije
iz prethodnih ne dokažu. Tačnije, same dedukcije iz prethodne hipoteze mogu
poslužiti kao naredne hipoteze.
Ovakva teorija je logički čvrsta i koherentna, eksplanatoma moć teorije je
dobra, a predikcije su jasno izvedene i proverljive. Međutim, u društvenim nauka-
ma obično nema dovoljno „materijala” da bi se formirala ovakva teorija - aksio-
ma, postulata i teorema. Dalje, pošto se dedukcije ne mogu izvlačiti iz premisa
kao u matematici, izvodenjem, nego mukotrpnom analizom, posmatranjem i
promišljanjem, izgradnja ovakve teorije zahteva nesrazmerno veliki napor, koji
odvlači pažnju od predmeta saznanja. U naukama o ponašanju je verovatno
najpoznatija hipotetičko-deduktivna teorija ponašanja Clarka Leonarda HuIIa,
bazirana na njegovoj teoriji učenja.
Teorija koja nastaje na hipotetičko-deduktivni način je deduktivni sistem, a
svi deduktivni sistemi počinju od aksioma. Dakle, i teorija bi trebala počinjati od
nekih opštih i jednostavnih hipoteza - aksioma, koje su jasne same po sebi i ne
moraju se dokazivati. Pošto se društvene nauke ne mogupohvaliti velikimbrojem
aksioma, ovaj aspekt deduktivnih sistema se obično zanemaruje - ostavlja se
autoru teorije da odredi način kako će započeti teoriju.
Međutim, upravo oko tog pitanja, kako započeti teoriju, vodena je diskusija
medu epistemolozima. Ni sam Popper, naravno, nije mislio da će hipoteze „padati
sa neba kao pečene ševe”, nego je predvideo fazu posmatranja i generisanja
hipoteza. Raymond B. Cattell (1966) je odlučno smatrao da saznajni proces retko
počinje hipotezom. Po njemu, on počinje posmatranjem, induktivnom generaliza-
cijom, pa tek onda hipotezom, a nastavlja se proverom hipoteze i dedukeijom.
Ovaj tok Cattell naziva induktivno-hipotetičko-deduktivnom spiralom (IHD). U
poglavlju o hipotezi izneli smo stav da hipoteze nastaju onda kad Ijudi imaju
saznajne teškoće. To se sasvim uklapa u Cattellov IHD metod.
Na liniji diskusije induktivno - deduktivno nailazimo na altemativni način
gradnje teorije - induktivni. Ovakva teorija služi samo da smisleno poveže
iskustvene činjenice i ništa više. Ekstremni pozitivisti preferiraju ovakav tip
teorije jer smatraju da nikakva teorija nijc potrebna, osim one koja povezuje
posmatranja i utvrđuje pravilnosti i generalizacije iz takvih posmatranja. Nasuprot
njima, kasnije će u knjizi biti prikazana „utemeljenja teorija”, koja takođe gradi
teoriju na induktivni način, ali pripada „kvalitativnoj perspektivi”, sasvim razli-
čitoj od pozitivizma.
Savremena epistemologija u prvi plan stavlja kombinaciju induktivnog i
deduktivnog pristupa gradnji teorije u empirijskim naukama, gde se posmatranje,
empirijska provera, teoretisanje i dedukcija smenjuju i dopunjuju, iterativno i
spiralno.
Saznajni proces obično započinje zapažanjem nekih problema, neočekivanih pojava
ili nedostataka u dosadašnjima objašnjenjima. Na primer, u oblasti porodice danas su
aktuelni problemi niskog nataliteta, kasnog stupanja u brak, čestih razvoda itd. Recimo da
smo se zainteresovali za problem kasnog stupanja u brak. Ako želimo da izučlmo ovaj
problem, pitanje „Zašto danas Ijudi kasno stupaju u brak?” nije formulisano kao naučna
hipoteza. Nešto nam nedostaje da bismo mogli formulisati naučnu hipotezu, a to je znanje.
Zato ćemo se posvetiti izučavanju podataka iz matičnih i drugih evidencija, lli analizl
drugih sekundarnih podataka. Tako ćemo uočiti, možda, da je tokom poslednjih godina
padao životni standard i, istovremeno, da je rasla prosečna starost pri sklapanju braka. Na
taj način smo induktivno došli do izvesne pravilnosti koja će nam pomoći da sastavimo hipo-
tezu. Ta hipoteza će glaslti: ,Mladl Ijudl odlažu brak zbog slromaštva."
Iz ove hipoteze slede predikcije da će mladi iz bogatijih kuća, ili oni koji sami dobro
zaraduju, ranije sklapati brak od onih koji nemaju materijalnu podršku roditelja ili su neza-
posleni. Ove predikclje se mogu empirijski proveriti.
Da bi predikcije bile proverene treba sprovesti niz istraživanja. U istraživanjima če
neke od predikcija biti odbačene, a neke potvrdene. Ako podacl podržavaju predikciju,
hipotezu čemo, kao potvrđenu, uključiti u teorlju. Na osnovu njenih predikcija (dedukcija)
možemo formullsati nove hipoteze, Reclmo, reči ćemo da mladi odlažu brak zato što nisu
sigurni da će moćl deci pružiti budućnost.
Ako podaci ne podržavaju predikcije, hipotezu ćemo pokušati popraviti. Recimo,
možemo se ograničiti samo na mlade Ijude u gradu, ukoliko podacl ukazuju na takvu
mogućnost. Najverovatnije je, međutim, da nećemo moći dokazati da odlaganje sklapanja
braka zavisi od siromaštva. U tom slučaju ćemo morati odbaciti hipotezu u celini i potražiti
ideje I podatke za novu hlpotezu, recimo: .Porast Individualističkih vrednosti dovodi do
kasnijeg stupanja u brak.’
Vidimo, dakle, da smo tokom proveravanja hipoteze naizmenično istraživali,
postavljali dopunske hipoteze, menjali III odbacivali stare. U tom delu je saznajni tok bio
iteratlvan, induktivno-deduktivan.

P rovera teorije. - Teorija se može proveravati na više načina. Prvo, treba

proveriti njenu unutrašnju strukturu. Njeni delovi moraju biti u logičkom skladu,
a skladni moraju biti i svi zaključci koji se iz teorije izvode. To znači da iz teorije
ne mogu proisteći suprotni zaključci. Unutrašnja struktura teorije prvenstveno
zavisi od toga kako je teorija izgrađena. U tom pogledu idealni oblik teorije je
aksiomatski. Aksiomatska teorija se gradi od opštih hipoteza koje imaju status
aksioma i ne proveravaju se. Iz aksioma se izvode dedukcije u čiju tačnost se
možemo uveriti neposrednim iskustvom. Aksiomatska teoriia ili aksiomatsko-
deduktivni sistem ima čvrstu i logički zasnovanu unutrašnju strukturu i logički
izvedene zaključke. Prva aksiomatska teorija je Euklidova geometrija.
Drugo, teorija se uvek poredi sa konkurentnim teorijama. Nekada hipoteze
iz jedne teorije bolje potkrepljuju neku drugu teoriju.
Treće, naravno, naučne teorije se moraju proveravati empirijski, bez obzira
koliko je to teško, dugotrajno, skupo i ponekad beznadno. Teorija psihoanalize
Sigmunda Freuda je primer teorije koja se vrlo teško proverava. Nije bolji bio
slučaj ni sa opštom teorijom relativnosti Alberta Einsteina, iako je ona formuli-
sana kao aksiomatska, matematička teorija. Ipak, u oba shičaja se empirijska
provera smatra jedinim i pravim sudijom istinitosti tih teorija.

8. Problem uzročnosti

Uzrok se čini sasvim jasnim u svakodnevnom životu i zdravom razumu.

Gledano intuitivno, svi Ijudi razumeju šta je uzrok. Nažalost, ispostavilo se da u
nauci i filozofiji nije tako. Filozofi i naučnici se odavno bave pitanjemuzročnosti,
ali do danas nije obelodanjen univerzalan način na koji možemo prepoznati uzrok
i posledicu. Kao što kaže Marković (1981), kategorija uzročnosti je u stalnoj krizi
- ali bez nje se ne može.
Za pojam uzročnosti odnosno kauzalnosti (lat. causd) vezana su i druga
veoma slična i veoma važna pitanja. To su pitanja nužnosti i detenninizma. Neki
ishod je nužan ukoliko su eliminisane mogućnosti svih drugih ishoda, ili ukoliko
se za taj ishod ne može dokazati da je pogrešan (recimo 2+2=4). Ovakva defi-
nicija nužnosti u velikoj meri podseća na kolokvijalnu predstavu o neminovnosti
ili o sudbini. Kao primer za ovaj tip nužnosti obično se navodi smrtnost Ijudi.^
Nužnost može postojati i u statističkom smislu, kao nešto što je najvero-
vatnije; prosek. U tom smislu prosečna visina Ijudi je nužna. I dalje, statistička
nužnost, vezana za verovatnoću, ne mora biti zasnovana na proseku kao najvero-
vatnijem ishodu, nego na nekom skupu ravnopravnih ishoda. Na primer, nužnost
je da se rodi dečak ili devojčica. Uzročna veza među pojavama uvek podrazu-
meva neki od ovih oblika nužnosti.
D eterminizamje shvatanje da su svi dogadaji nužni, da nužno slede jedni iz
drugih. Markiz Pierre-Simon de Laplace je smatrao da ako znamo sve sile koje u
jednom trenutku deluju u prirodi i ako znamo raspored svih objekata koji nas
interesuju, znaćemo svu prošlost njihovog postojanja ali i budućnost.
Sa stanovišta naučnog saznanja, uzročnost se povezuje sa objašnjenjem.
Ako za neku pojavu znamo uzrok(e), onda kažemo da smo je objasnili. Paralelno
s time, uzročnost je u najtešnjoj vezi sa pojmom naučnog zakona (v.), je r ako se

* Pažljiv student je na osnovu dosadašnjih primera već uočio epistemološku drama-

tičnost hipoteze: ,,Svi Ijudi su smrtni”. Od toga da ona čak nc zaslužuje ni status nauCne
hipoteze, do toga da služi kao ilustracija nužnosti.
 zakonom iskazuje kauzalni odnos uzroka i posledice, onda se smatra da je posle-
dica najbolje objašnjena.
Ovde 0 uzročnosti govorimo prvenstveno sa saznajnog stanovišta: da li se
može otkriti, kako se može otkriti i koliko nam pomaže u objašnjenju. Pitanja kao
što su ,,da li uzročnost postoji” nam nisu od prvorazrednog značaja, ali čitalac
mora biti svestan da i takva pitanja postoje, kako u prirodnim tako i u društvenim
naukaraa i da su i dalje neodgovorena. Može se čak reći da je danas kauzalnost
prilično nepopularan pojam - kao nešto što je ranije zadalo toliko briga da ga
treba izbegavati - od koga zaziru i u prirodnim i u društvenim naukama. Opisa-
ćemo ukratko storiju o kauzalnosti kroz istoriju Ijudske misli.
Kada se koriste zdravim razumom, Ijudi znaju šta je uzrok. U početku su
iizroci pripisivani stvarnim ili nestvarnim likovima; bogovima ili Ijudima.
Kasnije, razvojem grčke filozofije status uzroka je prebačen i na prirodne objekte.
Aristotel je upotrebio izraz „konačni uzrok” da bi označio svrhu, a otkrivanje
svrhe smatrao je glavnim ciljem nauke, Kombinacija verovanja u Ijude i bogove
kao uzroke i Aristotelovog „konačnog uzroka” dominirala je Ijudskom mišlju do
kraja Srednjeg veka - do Galileja.
Galileo Galilei je svojom čuvenom knjigom „Discorsi e dimostrazioni
matematiche” iz 1638. godine započeo revoluciju modeme nauke. Ova revolucija
je imala više aspekata, a mi ćemo ovde obratiti pažnju na dve osnovne maksime
koje je istakao Galilej: a) opis prvo, objašnjenje drugo i b) opis se izvodi na
jeziku matematike. Na osnovu ove dve maksime nauka je od spekulativne postala
empirijska. Nakon obelodanjivanja Galilejevog pristupa, u fizici je počelo otkri-
vanje jednog zakona za drugim: Snellov, Hookov, Ohmov, Jouleov itd. Ti zakoni
su, zapravo, bili matematičke generalizacije fizičkih posmatranja.
U tom trenutku je izgledalo da je pitanje uzročnosti u nauci bilo rešeno -
ona se izvodi iz naučnih zakona. Međutim, filozofi i naučnici nisu napustili
raspravu o pitanju uzroka i posledice. Jedva da je prošlo sto godina od Galilea,
kad je škotski filozof, empirista, David Hume, snažno doveo u pitanje postojanje
uzročnosti, tvrdeći da su kauzalne veze samo „navike našeg uma”, nestvame i
nestalne. Hume je uzročnost sveo na nivo deskripcije - posmatranja, a ne mate-
matičke fonnule, i to je opisao u poznatom pasusu:
Tako se mi sećamo da smo videli vrstu objekala koje zovemo „ vatra ’’
i da smo osetili onu vrstu osećaja koju zovemo „vrelina. ” Na isti
način mi prizivamo iz sećanja njihovu stahiu povezanost u svim
prošlim primerima. Bez bilo kakve daljnje ceremonije mi čemo jednu
nazvati „ uzrokom " a drugu „posledicom ” i zaključivati o jednoj na
osnovu driige.
Jezikom današnje statistike, ovaj problem na koji ukazuje Hume nazvali
bismo problemompnV/t/«e korelacije (eng. spurious Correlation), odnosno „kore-
lacije koja ne implicira kauzalnosf ’ (Pearl, 1996). Medu savremenim pozitivistič-
kim filozofima, Lord Russell je takođe odbacivao uzročnost: „Zakon uzročnosti
je, venijem, relikt prošlog vremena, koji preživljava, slično monarhiji, samo zato
što se pogrešno smatra da ne nanosi nikakvu štetu...”. On je veoma jednostavno
objasnio kako fizički zakoni, iskazani matematičkom formulom, ne impliciraju
uzročnost. Čuveni Newtonov II zakon F=ma kaže samo da ako znamo dve
vrednosti, možemo izračunati treću. Isti zakon se može napisati i kao m=F/a, što
znači da nam on pomaže da izračunamo masu, a ne da je izraz F/a uzrok mase.
Odnos uzroka I posledice ima definisan smer povezanosti - od uzroka ka posledici.
Zanemarivanje tog sm era, a do njega dolazi ako se fizički zakoni - jednačine - interpretiraju
kao kauzalni iskazi, dovodi do pogrešnih zaključaka. Pearl to ilustruje primerom iz veštačke
inteligencije, koji naziva „programerskom noćnom” morom. Naime, ako robotu prepustimo
da 0 kauzalnosti zaključuje na osnovu logičkog zaključivanja iz poznatiti pravila, on može
doneti sledeći zaključak:

Ako je trava mokra, padala je kiša

Ako razbijemu flašu, trava je mokra
Ako razbijemo flašu, padala je kiša

Negde u Russellovo vreme počeo je još jedan naučni preokret i on će imati

veliki uticaj na nauke o ponašanju, ali i na tretman uzročnosti. Preokret su zapo-
čeli Sir Francis Galton i njegov student Karl Pearson otkrićem regresije i kore-
lacije. Genijalni Galton se bavio različitim stvarima, izmedu ostalih eugenikom.
Za te svrhe je izučavao povezanost raznih osobina Ijudi i načine na koje bi se ta
povezanost mogla izraziti. Kada je nacrtao dijagram raspršenja mera dužine
podlaktice i obima glave, dobio je karakterističan eliptični oblak tačaka i ustano-
vio da linija koja najbolje fituje taj oblak ima zanimljiva svojstva. Rekao je:
„Lako je videti da ko-rclacija mora biti rezultat varijacija dva organa koje deli-
mično potiču iz zajedničkih uzroka”.
Galtonovo otkriće korelacije je Pearson opisao na sledeći način: ,,...Ja sam
protumačio ovu Galtonovu rečenicu tako da postoji kategorija šira od kauzalnosti,
imenom korelacija, kojoj je uzročnost samo granični slučaj, i tako da ovaj novi
koncept korelacije uvodi psihologiju, antropologiju, medicinu i sociologiju veli-
kim delom u oblast primene matematike.” Pearson je bio do krajnosti protivnik
kauzalnosti, nazivajući je animističkim pojmom poput volje i sile.
Izgledalo je da je kauzalnosti došao kraj. Medutim, niti su fizičari, niti
statističari, niti filozofi prestali da govore o kauzalnosti. Četvrt veka nakon
Pearsona, Sir Ronald Fisher je izmislio randomizirani eksperiment, koji je tada, a
i danas bio jedini opštevažeći način da se iz empirijskih podataka donese zaklju-
čak o kauzalnoj vezi (Pearl, 1996). Uprkos svemu, nepoverenje u pojmove uzroka
i posledice je ostalo veoma prisutno kako u prirodnim naukama, tako i u statistici.
U narednom pcglavlju opisaćemo kako je pojam uzročnosti doveden u pitanje u
društvenim naukama.
 a. Em pirijsko otkrivanje uzročnosti

Osnovno pitanje koje danas treba da interesuje istraživača ponašanja je kako

na osnovu iskustvenihpodataka zaključiti uzročnost. K akvaje iskustvena podrška
potrebna da bi zaključak o kauzalnoj vezi bio zasnovan, tj. potkrepljen? Koje
podatke moramo da prikupimo i koja merenja da izvršimo da bismo potkrepiii naš
kauzalni iskaz? Naravno, sve ove varijante osnovnog pitanja imaju smisla samo
ako verujemo da kauzalnost postoji.
U većini savremenih metodoloških priručnika može se pročitati otprilike
jednako uputstvo o tome kako možemo prepoznati uzročnu povezanost.
• Uzročnost karakteriše vremenski sled događaja. Uzroci dolaze pre posle-
dica. Uprkos brojnim sumnjama u relevantnost kriterijuma vremenskog
sleda, on se danas smatra jednim od osnovnih „pokazatelja uzročnosti.”
Međutim, on nije dovoljan. Ne možemo tvrditi da je pojavaA uzrok pojave
B samo zato što je pojava B usledila nakon pojave A. Naprotiv, ovakav
zaključak bi bio poznata logička greška: post hoc ergo propter hoc. Zaklju-
čivanje na osnovu zdravog razuma često upada u ovakvu grešku.
• Pored vremenskog redosleda, uzrok i posledica moraju biti povezani i kova-
?-ijacijom. Kovarijacija može imati diskretnu (diskontinuiranu) i kontinui-
ranu formu. U diskretnoj formi iskaz o postojanju kovarijacije glasi; ,^Cad
god pustimo deci film (pojava A ) ona su mim a (pojava B), a ako nema
fihna, deca su nemima.” U kontinuiranoj formi (mnogo bližoj psiholozima)
iskaz o kovarijaciji bi glasio: „Ako je A uzrok B, onda ako se menja A mora
da se menja i B.” Na primer, ako je temperatura uzrok promene dužine tela,
onda će se dužina povećavati ako telo zagrevamo, a smanjivati ako ga
hladimo.
• Treće, ako uočimo vremenski redosled i kovarijaciju, još uvek ne možemo
biti sigurni da ne postoje neka alternativna tumačenja. Recimo ako
utvrdimo da studenti koji više vreniena provode u učenju imaju bolje ocene
(zanemarićenio poznate „teluiike” učenja u snu, čitanja kroz žute naočale i
sl.), čime je zadovoljen i vremenski sled i kovarijacija, još uvek imamo
obavezu da eliminišemo uticaj nekih „trećih” varijabh, kao što je, recimo,
motivacija. Tako se eliniinacijaplauzibilnih alternativnih uzroka standard-
no navodi kao treći preduslov utvrdivanja uzročno-posledične veze.
Vrlo blizak pojmu uzroka je pojam uslova. Najjednostavnije rečeno, uslovi
su pasivni prethodnici nekog ishoda, dok je uzrok aktivan prethodnik. Dalje, za
uzrok se kaže da je posebna vrsta uslova: uzrok j e onaj uslov koji j e nužan i
dovoljan. Neki autori smatraju da je analiza nužnosti i dovoljnosti takode neop-
hodna da bi se odredila odnosno dokazala uzročna povezanost. Postoje brojni pri-
nieri kojima se ilustruje nužnost i dovoljnost. N a primer, teško oštećenje mozga je
dovoljan uslov smrti, ali nije nužan. Suprotno, gubitak svesti je nužan uslov smrti,
ali nije dovoljan. Na formalnomjeziku; ako je dogadaj A uvek praćen dogadajem
B, ali ne važi i obmuto, onda je A dovoljan uslov za 5 , a 5 je nužan uslov za A.
 Cozby (2003) upozorava da je analiza nužnosti i dovoljnosti retka u nauka-
ma o ponašanju zato što se nije pokazala korisnom. U naukama o ponašanju
obično ne prođe mnogo vremena pre nego što se utvrdi da neki uzrok nije nužan
i dovoljan. On navodi poznati primer ,jednog od retkih psiholoških zakona”,
odnosa frustracije i agresije; „Frustracija je uzrok agresivnosti.” Iz toga bi sledilo
da kad god postoji frustracija uvek postoji agresija i da kad god postoji agresija,
prethodila joj je frustracija. Pokazalo se da to nije tako jednostavno, je r frustracija
može da dovede i do povlačenja ili do konstruktivnih napora da se fioistracija
prevaziđe. Takođe, agresija može biti izazvana nekim nehotičnim postupkom
druge osobe („stane mu na žulj”) ili direktnim napadom, koji se ne uklapaju u
definiciju frustracije. Ipak, ako i nije naučni zakon, odnos frustracije i agresije je
dobro utemeijen u podacima.

b. M atem atička analiza uzročnosti

Ovaj naziv, matematička analiza uzročnosti, koristićemo uslovno. Naime, u

poslednjih deceniju-dve učinjeni su napori da se uzročnost iz misteriozne filo-
zofske kategorije transformiše u matematički i logički čvrsto zasnovan koncept.
Učinjeno je mnogo da se kauzalnost, sama po sebi, formalizuje toliko da bude
izračunljiva. Kada bi taj cilj bio dostignut, onda bismo iz podataka mogli
direktno, računski, dokazati uzročnu vezu. Kada bi bila razvijena matematičko-
statistička kauzalna analiza, onda bi bio premošćen jaz izmedu zdravorazumskog
i naučnog tretmana uzročnosti - mogli bismo testirati i dokazivati kauzalne
hipoteze.
Već duže vreme postoji nekoliko matematičkih teorija koje se bave
modeliranjem kauzalnih veza. U društvenim naukama najpoznatije je modeliranje
pomoću strukturalnih jednačina (engl. structural equating modehng - SEM).
Strukturalnajednačina ima form uy=/& + e, dakle upadljivo liči na regresionu ili
bilo koju drugu hnearnu jednačinu. Da bi ona bila strukturalna, tj. da bi predstav-
Ijala kauzalni iskaz, bilo je potrebno da se napravi niz dodatnih pretpostavki koje
su učinile da se jednostavnost ove jednačine izgubi. Recimo, znakjednakosti nije
običan, onaj koji je poznat iz algebre, nego označava ishod dejstva x n&y. Pored
toga, mora se pretpostaviti i dax i tn is u ni na koji način povezani, a vrloje važna
i pretpostavka da će vrednostj^ biti nezavisna od nekog skupa varijabli Z, koji ne
sadrži varijable X i Y { y . kasnije). Statističari su dokazali da će pod tim pretpo-
stavkama gomja strukturalna jednačina predstavljati formalni opis randomi-
ziranog eksperimenta (v.), što znači da se radi o kauzalnom iskazu.
Dalje, kauzalna analiza SEM se zasniva na starijoj metodi, analizi puta
(engl. path analysis) koja je invencija jednog genetičara (Sewalla Wrighta) i koja
se bazira na grafičkom prikazu - dijagramu odnosa izmedu varijabli. Ovi dija-
grami se nazivaju dijagrami puta, ili kauzalni dijagrami. Za struktume jednačine
se može reći da su formalni opis kauzalnih odnosa, a za dijagrame puta da su
njihov grafički opis. Međutim, kasnije će biti istaknuto presudno svojstvo kauzal-
niii dijagrama - oni su kvalitativni opis uzročnih veza.
Na slici 1 prikazan je dijagram odnosa između četiri varijable: nasleđa,
pušenja, katrana i raka pluća. U početku, lekari su utvrdili visoku korelaciju
između pušenja i raka pluća (a). Duvanska industrija se branila tako što je tvrdila
da postoje nasledni faktori koji povećavaju kako rizik od raka pluća tako i od
zavisnosti od nikotina (b). Dogovorom su došli do modela (c), koji je priznavao
povezanost izmedu pušenja i raka, ali i genetskih faktora sa oba. Nažalost, statis-
tičari nisu uspeli da provere koja je od ovih veza jača, tj. ko ima pravo, lekari ili
proizvođači duvana, jer bilo koji podaci mogu podjednako da potkrepljuju i jednu
i drugu vezu (zato što „genetski faktori” nisu neposredno merljivi). Konačno,
pokazalo se da je izračunljiv model (d), koji je baziran na pretpostavci da nije
samo pušenje ono koje izaziva rak, nego je rak posledica naslaga katrana na
plućima, a one su jedna od posledica pušenja (Pearl, 1996).

G enotip
(a) (b)
O---------------KD
Pušenje Rak p lu ć a

Pušenje Rak p lu ć a
G enotip
(d)

Pušenje R a k p lu ć a Pušenje Katran R a k p lu ć a

Slika 1. Primer razvoja jednog kauzalnog dijagrama.

Zaključak o izračunljivosti kauzalnog modela (d) je donesen pomoću

računa verovatnoće, dakle nakon matematičke analize i uz uvođenje još nekih
operacija. To su operacije akcije i intervencije. Naime, pokazalo se da standardni
matematički jezik računa verovatnoće i predikata nije dovoljan za formalizaciju
uzročnosti. Da bi testirali kauzalne iskaze, matematičari su morali da smisle
operator akcije (kao što je ,,x” operator množenja). Operator akcije je, recimo,
operator pomoću koga možemo ispitati da li kvašenjem trave možemo postići da
padne kiša - kada proveravamo kauzalnost u iskazu ,,gde je trava mokra, tu je i
kiša”. Ili, da proverimo da li možemo skratiti noć tako što ćemo ranije probuditi
petla (npr. tako što ćemo mu ispričati neki vic o petlu) - kada proveravamo
kauzalnost u iskazu „petlovi kukuriču u zoru.” Nematematičarima možda izgle-
daju smešni ovi problemi, ali stvari su u matematici drukčije.
 Intervencija o kojoj je bilo reči odnosi se na laku promenu modela,
uvođenje novih varijabli, uvođenje novih veza između varijabli, okretanje strelica
na jednu, drugu ili na obe strane i tome slično. Svaka ta promena zapravo gradi
novi kauzahii model, koji se pomoću analize puta ili modela struktumih jednačina
proverava i poredi sa ostalima. Provera i poređenje se vrše na osnovu togakoliko
koji model fituje podatke. Pokazalo se da je intervencije najlakše vršiti ako se
model predstavi grafički, tako da se današnji softver za kauzalnu anahzu zasniva
na dijagramima puta.
Razvijena su pravila na osnovu kojih se može jednostavno, čak i ručno,
anahzirati kauzalni dijagram i primenjujući operator akcije intervenisati odba-
cujući čvorove i poteze u dijagramu, da bi se došlo do „puta kojim ide uzročnost”.
Ovaj proces je posebno koristan i impresivan kada dijagram sadrži veliki broj
varijabli.
Postoji još jedan važan pojam u oblasti matematičke analize kauzalnih
modela. To je po'i&m kontrafakata (engl. counterfactuals). To su iskazi tipa: ,,Da
se desilo A, desilo bi se i B ”. Na primer, ,,Da Titanik nije potonuo, on bi još
plovio”, ili ,,Da nisu uvedene sankcije, Milošević ne bi pobedio na izborima”.
Nazivaju se kontrafaktima zato što tvrde nešto što se nije desilo, nešto što
protivreči podacima koje posedujemo. Pokazalo se da kontrafakti mogu značajno
doprineti kauzalnoj analizi, proveravajući ishode događaja koji se nisu dogodili.
Veoma je važno uočiti da dijagram puta predstavlja prikaz kvalitativnih
informacija koje posedujemo o problemu koji izučavamo. To je lepo ilustrovano
primerom sa uticajem pušenja na rak pluća. Zato se za modele struktumih
jednačina i analizu puta kaže da kombinuju kvalitativne informacije i empirijske
podatke na takav način da se odnos uzroka i posledice može kvantifikovati.
Nažalost, u naukama o ponašanju strukturalni model koji najbolje fituje
podatke ne dokazuje uzročnost. Radi se o tome da se matematički, logički, ali i
zdravorazumski može dokazati da postoji niz ekvivalentnih modela koji bi takode
mogli objasniti dobijene podatke. Neki od tih modela se mogu izgraditi na osnovu
dobijenih podataka, odnosno varijabli kojima raspolažemo. Drugi, obično veći
deo, obuhvata varijable koje još nismo izmerili, ili koje nam čak još nisu ni
poznate kao potencijalni uzroci. To su one varijable koje čine skup Z, opisan u
defmiciji struktume jednačine.
Tako, dijagram puta koji smo prikazali kao ilustraciju anahze uticaja
pušenja na rak, pod (d), je suviše pojednostavljen i dosadašnja istraživanja uka-
zuju da postoji više varijabh koje treba uključiti, a nova istraživanja mogu doneti
saznanja o još nekim novim varijablama. Dakle, matematički aparat za analizu
kauzalnih dijagrama je relativno dobro razvijen, a!i je problem upravo u sastav-
Ijanju pravog dijagrama. Dijagram puta predstavlja ono što mi znamo o pojavi,
njenim uzrocima i posledicama. Matematički aparat služi samo da se dijagram
testira. Sve u svemu, još uvek se ne možemo osloniti da ćemo kauzalnost dokazati
matematički. Modeli struktumih jednačina i analiza puta su samo dobre alatke za
testiranje različitrh kauzalnih hipoteza, ali ih ne mogu dokazati. Zbog toga mnogi
autori matematičku kauzalnu analizu nazivaju pseudokauzalnom. Ako čitalac
pročita poglavlje o epistemološkom kriterijumu proverljivosti i poglavlje o testi-
ranju statističkih hipoteza, videće da je, zapravo, situacija slična sa svim hipo-
tezama, a ne samo sa kauzalnim.
Kasnije će u knjizi uzročnost biti često pominjana, u različitim kontekstima.
Studentu se preporučuje da pročita ulogu medijatorskih i moderatorskih varijabli,
kao i poglavlje o eksperimentalnim istraživanjima.

9. Objašnjenje i razumevanje

Aristotel je smatrao najboljim objašnjenjem ono koje ne navodi samo

materijalne, formalne i eficijentne uzroke, nego i „konačni uzrok” - svrhu. U
prethodnim poglavljima smo objašnjenje povezivali sa defmicijom (klasičnim
shvatanjem defmicije), hipotezom, naučnim zakonom, naučnom teorijom i uzroč-
nošću. Uvek se, dakle, radilo o povezivanju više pojmova, na tačno određeni
način, tako da „posuđujući znanje” od prethodnih pojmova - eksplanansa -
povećavamo znanje o pojmu koji objašnjavamo - eksplanandu.
Debata o razlici objašnjenja i razumevanja je prvo postala aktuelna među
istoričarima. Naime, pokušaji da se istorijske pojave objasne putem naučnih
zakona, onako kako bi zahtevao hipotetičko-deduktivni metod nisu uspevali.
Istorijske pojave su pojedinačne i ne postoji mogućnost provere hipoteza.
Recimo, objašnjenje „Predsednik vlade je ubijen zato što je pokušao da se
obračuna sa organizovanim kriminalom”, ma koliko bilo tačno, ne može postati
naučni zakon koji povezuje atentat na predsednika i borbu protiv organizovanog
kriminala, na način kako je ovde opisano da se formiraju naučni zakoni.
Dakle, ako naučni zakoni ne mogu da posluže za objašnjavanje istorijskih
pojava, šta ostaje? Ostaje „razumevanje”, koje je u početku bilo defmisano kao
uživljavanje u život i misli učesnika istorijskih događaja, sa ciljem da se rekon-
struišu njihovi razlozi za ponašanja koja su preduzimali. Dalja analiza „principa
razumevanja” je pokazala da se on oslanja na nekoliko osnovnih pojmova: idio-
grafski pristup, mentalistički pristup, te na voljnu i svesnu delatnost Ijudi. Razlika
idiografskog i nomotetskog pristupa ima duboko utemeljenje u savremenim
društvenim naukama. Neki je nazivaju debatom, a neki ratom. Nomotetski pristup
traži zakone ponašanja, poput prirodnih, dok idiografski tumači ponašanje poje-
dinca. Iz ove osnovne razlike proizlazi niz drugih razlika u pristupu saznanju,
izboru perspektive i u opredeljenju za vrstu istraživanja ili neku od metoda. Te
razlike sada nećemo dalje obrađivati, ali ćemo se na njih kasnije pozivati u dru-
gim pogiavljima. Dalje detalje o debati nomotetsko - idiografsko student može
potražiti u mnogim metodološkim tekstovim a, kao npr. Radonjić (1968),
Marković (1981), Shaughnessy i sar. (2000) i Fajgelj (2005).
Razlika mentalističkog i bihejviorističkog pristupa je potekla iz psihologije,
ali se, jednako kao i razlika idiografskog i nomotetskog, oslanja na neke funda-
mentalne dileme naučnog saznanja. Mentalisti se oslanjaju na motive, iskustva i
ideje Ijudi da bi razumeli njihovo ponašanje. Mentalisti, recimo, koriste metodu
 introspekcije za prikupljanje podataka. Bihejvioristi odriču motivima, mislima,
idejama i introspekciji status elemenata naučnog saznanja. Bihejvioristi izučavaju
isključivo manifestno ponašanje, koje je svima dostupno, pa u vezi njega može
postojati intersubjektivna saglasnost. N a primer, svi možemo da prebrojimo
kohko je besinislenih slogova ispitanik tačno reprodukovao, ah samo on može da
„vidi” da mu je „u glavi sve zbrkano.”
Voljna i svesna delatnost Ijudi (u psihologiji se izučava i delatnost živo-
tinja) upućuje na idiografski pristup, jer su kombinacije namera, motiva i želja
jedinstvene od čoveka do čoveka. Međutim, nije jedinstvenost tohki problem,
kohki je problem što su motivi pojedinaca efememi, prepleteni i nadasve mnogo-
brojni. Zato ako uzmemo motive kao uzroke, nećemo moći izgraditi valjanu
teoriju. Epistemolozi su pokušah da reše taj problem tako što su dozvohh
teleološka i intencionalna objašnjenja. Naime, svi živi organizmi su svrsishodni
sistemj, koji funkcionišu na osnovu postojanja niza ciljeva. Navođenjem tih
ciljeva i podrazumevajući težnju da se ciljevi dostignu (motive), možemo
objasniti i razumeti, ponašanje živih bića. Dakle, na teleološki način, ponašanje se
može razumeti saznavanjem njegovih motiva.
Celokupan pristup saznanju kroz razumevanje mnogi autori nazivaju
hermeneutikom, je r se tumače značenja koje neka situacija ima za pojedinog
čoveka i interpretiraju njegovi motivi za delanje. Teleološko objašnjenje je her-
meneutičko objašnjenje. Već na prvi pogied, introspekcija, razumevanje, teleo-
loško objašnjenje i herm eneutika po svom opštem duhu pretpostavljaju
idiografski pristup i čini se da ukidaju pojam uzročnosti u okviru tog pristupa.
Međutim, to nije potpuno tačno je r se danas i veliki broj „nomotetskih autora”
uzdržava od pominjanja uzročnosti u oblasti Ijudskog ponašanja. Pravilnosti koje
otkrivamo u ponašanju su statističkog tipa, a mali je broj varijabli za koje su
nauke o ponašanju definitivno utrdile da su „nužni i dovoljni” uslovi ponašanja -
njegovi uzroci.
Na kraju, može se reći da iako je pojam uzročnosti sporan čak i u fizici,
iako su razlike između objašnjenja i razumevanje suptilne i unatoč tome što
teleološka objašnjenja mogu da ih spoje, danas je česta praksa da kvalitativno
orijentisani istraživači insistiraju na tome da oni razumeju pojave, dok ih
kvantitativne studije „samo objašnjavaju”.

Na kraju glave o epistemološkim osnovama istraživanja ponašanja treba

skrenuti pažnju čitaocu, a malo je verovatno da on to već ne zna, da su u oblasti
epistemologije, a posebno filosofije, o svakom iznesenom stavu napisani čitavi
tomovi knjiga. Ne samo da su napisani, nego i međusobno protivreče. Mi smo
nastojah, bona fid e, da damo jedan presek stanovišta koja su najmanje spoma,
koja su u današnjoj socijalnoj nauci prihvaćena neposredno ili prećutno, ah,
naravno, i ona koja su izraz našeg uverenja o tome šta je važno i presudno za
empirijska istraživanja. Uverenja kao što su „Istina ne postoji” ili „Stvamost ne
postoji” nisu plodotvoraa za naučna istraživanja i njima jednostavno nije mesto u
metodološkom priručniku.
O različitim filosofskim i epistemološkim uverenjima, koja imaju svoj odraz
u svetu empirijske nauke, biće još dosta reči kasnije u knjizi, a posebno u okviru
problema izbora teorijske perspektive (v.), odnosa kvantitativnih i kvalitativnih
istraživanja (v.) i metoda itd.

D. Individualne razlike

Kao što je u uvodu rečeno, većina podataka u naukama o ponašanju se

odnose na individualne razlike. Pored individualnih razlika, koje se, kako im
naziv kaže, tiču pojedinaca, često se u naukama o ponašanju prikupljaju podaci o
ponašanju gnipa, pa čak i čitavih institucija i društava. Individualne, gnipne i
institucionalne razhke se mogu utvrditi na nebrojeno mnogo načina. Vrlo često se
Ijudi prosto pitaju o njihovim mišljenjima i stavovima. Ljudi i grupe se, takode,
mogu posmatrati i mogu se beležiti njihove akcije, reakcije i interakcije. Isto tako,
mogu se posmatrati i meriti rezultati aktivnosti pojedinaca ili grupa - umetnička
dela, proizvodi, ih rešenja nekih životnih problema. Da bi se izbeglo kompliko-
vano nabrajanje svih entiteta i načina ispoljavanja njihovih razhka, u tekstu ćemo
se služiti sintagmoni individualne razlike, podrazumevajući sve ono što ovde jeste
ih će tek biti rečeno o poreklu i izvoru podataka u istraživanjima ponašanja.
Naravno, metode koje su specifične za pojedine oblasti nauka o ponašanju,
kao što je istraživanje kriminala, istraživanje kulturnih uticaja i sličnosti iznieđu
civihzacija, istraživanje genetskih i bioloških osnova ponašanja itd., neće biti
ovde zasebno obrađene.
Dosada je već dovoljno istaknuto da će istraživač u oblasti nauka o
ponašanju u tipičnom slučaju prikupljati i anahzirati podatke o individualnim
razhkama. Sada treba reći da je dominantan način prikupljanja podataka -
merenje.
Nešto kasnije će se videti da su merenje i tzv. teorija merenja kompleksna i
mnogo istraživana oblast i da unatoč tome što danas raspolažemo značajnim
iskustvima o problemu merenja, konačni odgovori u toj važnoj oblasti svakog
istraživanja nisu dati. Posebno su istaknuti teorijski problemi upravo u merenju u
oblasti društvenih nauka.
Međutim, ako se merenje pravilno shvati i ako se defmiše na pravilan način,
onda će biti jasno da najveći broj podataka u društvenim istraživanjima dobijamo
upravo merenjem.
Pre nego što objasnimo šta je merenje, odnosno pre nego što izložimo
osnove tzv. formalne teorije merenja, moramo objasniti šta je suština indivi-
dualnih razlika. Odmah ćemo reći da su one u osnovi slučajne pojave, pa je
neophodno da se razume pojam slučajnosti i priroda slučajnih pojava.

1. Slučajnost i determinizam - istorijski uvod

O pojmovima shičaja i verovatnoće najčešće se debatira u kontekstu odnosa

determinizma i indetenninizma, nužnosti i slučajnosti. Ta debataje veoma stara,
potiče još od filozofa antičke Grčke. Aristotel, vrhovni autoritet u oblasti racio-
nalizma i dedukcije, tretirao je slučajnost kao „kolateralnu grešku” koja nastaje
pri susretu razHčitih delatnosti. Ova ideja je vekovima kasnije elaborirana i
varirana na različite načine. U formi u kojoj je koristimo i u ovom tekstu, ona
kaže da slučajnost nastaje na „preseku kauzalnih lanaca”.
No, u suštini, Aristotel je odricao shičajnosti ontološki karakter; pre je bio
na strani onih koji su u njegovo vreme, ali i milenijumima kasnije, smatrali da je
slučajnost samo „dokaz našeg nepoznavanja pravih uzroka” (kao npr. Baruch de
Spinoza).
Većina naučne istorije čovečanstva protekla je u racionalističko-
deduktivnom uverenju da je slučajnost subjektivna kategorija, tačnije neznanje,
dok je svet ustrojen deterministički, kauzalno. Ekstremni, mehanički determi-
nizam zasniva na tvrdnji da je sve što postoji direktna posledica, po sih kauzal-
nosti, prethodnih stanja i procesa, pa je tako i budućnost već odredena današnjim
stanjima i procesima (u poglavlju o uzročnosti opisano je ovaj stav Laplacea).
Polet tom ekstreiTinom detenninizmu dala je fizika Isaaca Nevvtona, odnos-
no njegova tri zakona kretanja objavljena u delu Philosophiae Naturalis Principia
Mathematica, 1687., svakako jednom od najznačajnih dela uopšte, a posebno
modeme nauke. U domenu svakodnevnih brzina, sila i trenja, Njutnove postavke
su važile u više nego zadovoljavajućem stepenu. Medutim, sam Njutn, kao i svi
posle njega, videli su da se merenjem ne mogu dobiti tačne vrednosti za, recimo,
čuvenu jednačinu II zakona: F=ma. Simon Newcomb je, recimo, 1895. g. rekao
da „nešto nije u redu sa zakonom gravitacije” (koji sledi iz Keplerovih i Njutno-
vih zakona), zato što se rezultati posmatranja ne slažu saNjutnovimjednačinama.
Kasnijim razvojem misli i prakse generalno, čovek je „ušao” u mikrosvet i
u kosmos, gde su sile i brzine mnogo veće i gde Njutnove stroge racionalističke
postavke više nisu bile dovoljne. Zato su morali nastati „novi pristupi” kao što su
Gibbsova statistička mehanika i njegov pojam entropije kao mere nereda, zatim
kvantna mehanika i Heisenbergovo uvidanje da proces posmatranja (i merenja)
uvek utiče na objekt posmatranja, i napokon kibemetika koja je u samoj svojoj
osnovi imala pojmove informacije, entropije, verovatnoće i statistike. Tako su
slučajnost i statistika postali odlika modemog razvoja nauke, posebno od XIX
veka, i prevazilaženja racionalizma u korist empirijske nauke.
Kauzalna objašnjenja i detenninizam koji sledi iz takvih objašnjenja
pokazali su se posebno problematičnim u oblasti društvenih nauka. Zato je razvoj
društvenih nauka kao empirijskih nauka bio prevashodno zasnovan na primeni
statističke metode u analizi pojava i podataka. U društvenim naukama se, tako,
najpre odustalo od determinizma.
Dosadašnja istorija nauke i tehnologije se može sagledavati upravo kroz
stepen u kome je u samom supstratu odgovarajuće nauke uključen slučaj, neodre-
đenost, greška i statistička metoda - je r priroda nije sastavljena iz iscepkanih
tipova i kategorija. Prateći istoriju nauke i tehnologije, vidimo da je tek u „drugoj
iteraciji” čovek bio prisiljen da počne ugrađivati kontinualnost prirode u svoje
pojmove i metode. Kako je do toga došlo? Tako što je nauka počela da se
empirijski proverava, da se praktično primenjuje, da se fizički procesi kontrolišu,
da se predmeti proizvode, a uz sve to i uvek - da se meri. 'Dak\s,praksa]e. bila taj
agent koji je potisnuo determinizam - a rezultat je bio akceptiranje slučajnosti.

2. Šta je verovatnoća i u kakvoj je vezi sa slučajem

Izrazi „verovatnoća” i „verovatno” se koriste u svakodnevnom govoni,

označavajući subjektivnu neizvesnost jednog od ishoda izmedu dva ili više
mogućih. Kao što je čitalac već mogao zaključiti iz ovog teksta, kad god postoji
zdravorazumski konsezus oko nekog pojma, valja očekivati široko polje suko-
bljavanja filozofskih stavova.
Tako se smatra da ni do danas nije iskristalisana jedinstvena defmicija
verovatnoće, iako je debata trajala vekovima. Postoje dva široka pravca razmiš-
Ijanja o verovatnoći: frelcvencijski i nefrekvencijski. U frekvencijskom pravcu
postoje, opet, dva osnovna pristupa: a priori i a posteriori. A priori definicija
potiče od Pierra LaPIacea i Augustusa DeMorgana. Po toj defmiciji verovatnoća
je broj poželjnih ishoda, podeljen brojem svih jednako verovatnih ishoda: p = f /
i f + u). S ap (Iat.pro6a6;7;7a5) je označena verovatnoća, sa/(en g l. favorable) broj
poželjnih ishoda, a sa u (engl. unfavorable) broj nepoželjnih ishoda. Ovu verovat-
noću možemo izračunati pre nego što se bilo koji ishod dogodi. Za nju nije
potrebno nikakvo empirijsko iskustvo. N a primer, verovatnoća da padne glava je
0,5, da padne šestica 1/6 itd. Delimično zbog toga, a delimično zbog toga što se
bazira na pojmovima poželjnih ishoda i jednakih verovatnoća, naziva se i psiho-
loškom defmicijom verovatnoće. S obzirom da je istorijski najstarija (prva razmi-
šljanja potiču - od koga bi drugog - od Aristotela), često se naziva klasičnom
definicijom verovatnoće.
A posteriori definicija se bazira na graničnoj relativnoj frekvenciji iz
velikog broja ponavljanja. Ona je empirijska defmicija, zato što pretpostavlja
izvršavanje niza pokušaja da bi se odredila verovatnoća nekog od ishoda.
Recimo, ako nas interesuje verovatnoća pojavljivanja šestice prilikom bacanja
kocke, u skladu sa ovom defmicijom moramo bacati kocku, brojati pojave šestice
i na kraju taj broj podeliti sa brojem bacanja. Ako želimo da odredimo vero-
vatnoću kiše u julu, ili verovatnoću da doživimo šezdesetu godinu ako imamo 57,
konsultovaćemo sve raspoložive meteorološke podatke i podatke iz životne
statistike. Ti podaci su empirijski prikupljani tokom godina. Kontrolor proiz-
vodnje će za neki proizvod reći da mu je yerovatnoća fabričke greške 0,06, zato
što to pokazuju višegodišnji podaci.
Nefrekvencijsku definiciju je dao poznati engleski ekonomista John May-
nard Keynes (on je početkom XX veka učinio preokret u gradanskoj ekonomiji,
pa se danas svi oni koji dele njegova uverenja nazivaju Kejnsijanci). Njegov
pristup verovatnoći je bio sledeći. Uz svaku verovatnoću idu dva broja: a)
vrednost verovatnoće same po sebi i b) težina dokaza koji je prate. Odredivanje
uverljivosti dokaza je subjektivno. Onaj ko donosi odluku ocenjuje na osnovu
raspoloživih informacija koiiko je dobijena vrednost verovatnoće ubedljiva (plau-
zibilna). Dakle, sama empirijska verovatnoća nije dovoljna za praktičnu upotrebu,
nego se mora proceniti i težina dokaza na osnovu kojih je izračunata. Kerlinger i
Lee (2000) navode primer doktorske komisije kojoj su data na ocenu dva
doktorata čiji su nalazi bili jednaki, ali je u jednom test statističke hipoteze
izveden na uzorku od 10, a u drugom od 100 objekata. lako je /i-vrednost testa
nulte hipoteze bila jednaka, komisija je smatrala uverljivijim onaj nalaz koji je
baziran na uzorku od 100.
Klasična defmicija, koja je i najpoznatija, ima ključan nedostatak u tome što
koristi izraz .jednako verovatnih” ishoda. Psihološki, ta pretpostavka je intuitivno
jasna, jer ako o nečemu ne znamo ništa, onda je pretpostavka da su ishodi
nezavisni i jednako verovatni sasvim razložna. Međutim, sa epistemoioškog
gledišta, na ovaj način se verovatnoća defmiše pomoću verovatnoće, pa je zbog
toga ova defmicija cirkularna i sa epistemološkog stanovišta bezvredna. Kasnije
su date rrmoge revizije ove defmicije sa ciljem da se izbegne cirkulamost.
Kerlinger i Lee navode mišljenje da je a posteriori definicija ostavila najdublji
trag u statistici, pa otuda i u naukama o ponašanju.
Analogno Keynesovoj defmiciji čini se da Ijudi u svakodnevnom životu
„ponderišu” vcrovatnoću prema subjektivnom značaju događaja. Ljudi ne gledaju
samo da li verovatnoća dogadaja prelazi 0,50, ili koliko su uverljivi dokazi da je
veća od 0,50, nego kolike su posledice tog dogadaja. Tako razmišljaju Ijudi kada
se približavaju ivici provalije, ili kada izlaze u vreme velike oluje sa mnogo
grmljavine. N a osnovu zdravstvenih i drugih statistika Ijudi bi mogli biti sasvim
mirni jer je, recimo, verovatnoća da će poginuti od pada sa stene samo 1: 10000 ili
1:25000 (v. poglavlje o paradoksima slučajnosti).
Verovatnoća je, medutim, samo operacionalizacija, tačnije kvantifikacija
pojma slučajnosti. Defmicije verovatnoće ne ulaze u to zašto kocka ne pada uvek
na jednu stranu, ili zašto neko umre pre šezdesete, ili zašto neki proizvodi imaju
fabričku grešku. D a li j e slučajnost mižna, ili su slučajni događaji samo retka i
efemernapojava? Nama je za razumevanje individualnih razlika potrebno upravo
da razumemo šta je slučajnost. Na sledećim stranama prezentiraćemo tumačenje
slučajnosti koje nema za cilj da razreši filozofski status slučajnosti, nego da bude
praktično i da poseduje eksplanatomu moć u odnosu na pojavu koja nas interesuje
- individualne razhke.
• Ovo tumačenje zasnovaćemo na pojmu prakse kao svrsishodne (celishodne,
ciljne) delatnosti. Prikui)ijanje iskustvenih podataka, a ono je, rekli smo,
osnova empirijskih istraživanja, jeste takva praktična delatnost.
• Što se tiče debate nužnost - slučajnost, prihvatićemo u potpunosti postoja-
nje kauzahiih odnosa u svetu (dakle determinizma), ah i postojanje nezavis-
nih „kauzahiih lanaca” koji se mogu uki‘stiti u nekoj prostomoj i vremen-
skoj tački. Posebno je lako zamisUti prephtanje kauzalnih lanaca iz više
„svetova”, recimo mikrosveta i maki'osveta.
• Samo saznanje ćemo takode tretirati kao praktičnu delatnost. Svakomje
jasno da se empirijska provera, kao važan element naučnog metoda, mora
bazirati na nizu čvrsto planiranih praktičnih postupaka.
• Razvoj jedinki takođe je vrsta svrsishodne praktične delatnosti. Razvoj
jedinke uključuje nasledni potencijal, sredinske uticaje, metaboHzam,
aktivnosti na postizanju homeostaze i niz drugih elemenata koji imaju svoj
cilj i koji se obavljaju vršeći materijalne i energetske razmene sa okohnom.
Videće se da ovo tumačenje podržava epistemološku, tj. saznajnu nužnost
slučajnosti u oblasti anahze individualnih razhka.

3. Slučaj i praksa

Razmišljanja o shičaju možemo podehti u tri oblasti: maiematičku, stalis-

tičku i praktičnu. U okviru matematičke oblasti operiše se pojmom verovatnoće
koja se definiše potpuno apstraktno i formalno, onako kako je to uradeno na
prethodnim stranama, tako da se shičaj i slučajnost uopšte ne moraju spominjati.
Matematička definicija verovatnoće glasi otprilike da je to broj između 0 i 1
kojim možemo označiti neki dogadaj iz skupa mogućih događaja. Ništa više i
ništa drugo.
Karakteristično razmišljanje o slučaju i slučajnosti u okviru statističke škole
razmišljanja bi izgledalo kao određivanje učestalosti (verovatnoće) postojanja
Ijudi čiji je IQ veći od 150, ako su na uzorku veličine »=1000 nadena 3 takva
čoveka. U opštem smishi, statistika se bavi slučajnim pojavama u reahiom svetu i
nastoji da u neodredenosti koju shičaj sa sobom nosi otkrije „nešto čvrsto” na
osnovu čega se mogu donositi zaključci i generalizacije.
Ono što smo nazvaii praktična misao o shičaju srela bi se, recimo, sa slede-
ćim problemom. Recimo da se organizuje nagradna igra u kojoj ćc se dobitnik
odrediti tako što će se imena svih N učesnika napisati na papiriće i papirići ubaciti
u šešir. Nekoj osobi ćemo onda dati da izvlači dobitnika iz šešira. Na osnovu
kombinacije intuicije i „logičke anaUze” praktičar će smatrati da su time svima
date iste šanse. Ako pita statističara, ovaj će mu reći da je verovatnoća biranja
svakog od učesnika 1/N. Malematičar će se složiti da vrednost 1/N predstavlja
verovatnoću.
„Praktičar” i osoba koja izvlači papiriće se, dakle, nalaze u situaciji za koju
se svi slažu da je implementacija slučajnosti par excellence. Praktičar smatra da je
planirao slučaj zato Sto ne postoje nikakve zakoiiitosti koje upravljaju time kako
će osoba izvlačiti papiriće. Na osnovu toga će on smatrati da će rezultati
izvlačenja biti emanacija „čiste” slučajnosti. Statističar i matematičar mu to mogu
potvrditi.
Nažalost, najverovatnije nije tačno da ništa neće uticati na to kako će osoba
izvlačiti papiriće. Možda bi neki ogled pokazao da sve osobe radije izvlače
papiriće koji stoje okomito (kod kojili prvo dodirnu ivicu), ili bi se pokazale neke
druge, ma kakve one bile, senzomotorne preferencije koje utiču na to da neki
papirići imaju manju, a neki veću šansu za izvlačenje.
U našoj praktičnoj postavci, kada osoba ima zadatak da u svakom
izvlačenju izvuče bilo koji listić, ona postupa po nekim pravilima koje je ona
svesno ili nesvesno postavila. Npr.: „sad odozdo”, ,,sad jedan odozgo” itd., ili po
nekim senzomotomim preferencijama. Ona na taj način ne generiše slučaj. Ona
ne zna šta radi, odnosno ne zna šta piše na listiću, i pod pretpostavkom da su
listići perceptivno identični i „promešani”, svaka njena strategija izvlačenja je
podjednako dobra. Može da ide prosto redom i da izvlači listiće jedan za drugim
sa vrha gomile.
Da bismo operativnu interpretaciju slučaja postavili na noge, konstatovaće-
mo za početak da slučai nastaie u nraktičnoi delatnosti koia ie usmerena ka ciliu.
Naime, zašto bi se uopšte smatralo da je papirić koji osoba izvuče u jednom
izvlačenju različit od nekog drugog, iz drugog izvlačenja. Osoba je dobila zadatak
da izvuče bilo koji papirić i u svakom izvlačenju će ona to besprekorao izvršiti.
Njen cilj je da izvuče bilo koji papirić, a ne neki određeni.
Na čijoj strani se stvamo desio slučaj? Na strani učesnika nagradne igre.
Oni su jedini imali cilj da dobiju nagradu i praktično su sproveli postupak
popunjavanja i dostavljanja papirića. Izvlačenje listića sa njihovim imenima je tek
jedan od „kauzalnih lanaca” koji dovode do toga da njihov cilj ne bude ostvaren,
odnosno da bude ostvariv sa određenom verovatnoćom. Shičaj na strani osobe
koja izvlači papiriće i „praktičnog probabihstičara” bi se u gornjemprimeru javio
samo ukohko bi osoba imala zadatak ih nameru da izvuče jedan ih više određenih
papirića.
Dakle, postoji suštinska razhka izmedu prve postavke, u kojoj osoba izvlači
bilo kojih n papirića, i dmge u kojoj je osoba dobiia zadatak da izvuče n
određenih dobitnika. U prvom slučaju osobi je bilo svejedno šta piše na papiriću,
a u dmgom je to bio ci!j. U prvom slučaju, svaki skup od n papirića je tačan, a u
dmgom, samo jedan. Sa stanovišta osobe koja izvlači, u prvom slučajup er defini-
tionem nema greške (jer nema cilja), a u dmgom postoji egzaktno izračunljiva
verovatnoća greške.
Zašto se stvarno dešava da ishodi naše svrsishodne delatnosti budu razhčiti,
bez obzira što su naše namere, aktivnosti i uslovi bih isti? Zato što je, generalno
govoreći, svaki dogadaj svet u malom. Nema izolovanih procesa, nema čistih
aktivnosti, nema kule od slonovače kada se radi o dogadajima iz stvarnog sveta.
Paralelno svakom lancu događaja kojeg mi pokrenemo nekom našom akcijom
teče širok tok znanih i neznanih procesa. Isto tako, svakom takvom lancuprethodi
niz procesa i okolnosti. Svi ti procesi mogu biti međusobno povezani, ali mogu
biti i potpuno nepovezani. Ovde se ne misli na procese koji slede po nužnosti
fizičkih zakona, kao npr. da će bačena kocka prvo leteti, pa zatim usled delovanja
gravitacije i trenja, pasti i zaustaviti se. Misli se na neku sitnu vibraciju stola
usled prolaska kamiona, iii na zazor u delovima mašine koja je proizvela kocku,
pa sve kocke nisu idealne nego im mesto težišta varira. Dakle, govori se o
procesima koji se jedinstveno kombinuju u datom trenutku i na datom mestu, koji
nisu nužna posledica prethodnih procesa, pa se zato od dogadaja do događaja
rekombinuju na bezbroj mogućih načina.
Takvi procesi, koje možemo nazvati nezavisnim kauzalnim lancima, na
preseku svojih uticaja stvaraju ono što nazivamo slučajnim dogadajem. Slučaj
nastaie zatn što se tok naše delatnosti prenliće sa kauzalnim lancima koii teku
paralelno s niome. ali koie mi nismo namerno pokrenuh. To su kauzalni lanci koji
nisu intencionalno, vremenski ili prostomo povezani sa svrhom naše delatnosti.
Primer su greške u proizvodnji kocki, vibracije stola, nesvesne senzomotome
preferencije kod osoba koje izvlače listiće iz šešira i slično.
Ako praktičnu i svrsihodnu delatnost defmišemo dovoljno široko, kao bilo
kakve materijalne i energetske razmene sa okolinom koje imaju za cilj održarje
života, onda i za bilo koje telesne i duševne osobine živih bića možemo reći da
jesu ili da nastaju kao rezultat takve delatnosti.
Na primer, jedan od rezuUata rasta jedinke, koji mi zovemo telesnom
visinom, rezuUat je niza procesa i uticaja koji uopšte nisu geometrijski, niti imaju
veze sa zauzećem prostora. Kako možemo da znamo da je to tako? Tako što
mereći telesnu visinu kod Ijiidi vidimo da se ona ponaša p o pravilima slučajne
varijable sapribližno normalnom raspodelom. Nakon što smo to uočih mi znamo
da iza „postignuća visine” stoji veliki broj uzroka i procesa koji su uticali
neposredno ih posredno. Kao što će se kasnije videti, na osnovu varijabilnosti
telesne visine možemo izučavati te procese i, izučavajući ih, sagledati sav ,,rad”
koji je jedinka obavila na uskladivanju hereditamih i sredinskih faktora.

4. Slučajnost, saznanje i merenje

Svaka čovekova delatnost dovodi do slučajnih odstupanja, ali za tematiku

ovog teksta su posebno važni čovekovi ciljevi koji se odnose na saznanje. Poseb-
no nas interesuju ciljevi koji se odnose na saznavanje ponašanja Ijudi i Ijudskog
društva. Da li je naučno saznanje ciljna praktična delatnost, kao što je izvlačenje
papirića iz šešira? Podsetimo se uvodnog poglavlja sa kratkiin istorijskim pregle-
dom razvoja nauke, od racionalističko-deduktivne do empirijske. Istorija nas,
đakle, uči da saznanje nije potpuno ako se obavlja samo u glavama naučnika. Pri-
roda je, po svemu sudeći, kontinualna; nije izdeljena u pojmove, tipove ili katego-
rije. Pre ili kasnije, da bismo je saznali, moramo stupiti u praktičan odnos sa njom
i suočiti se sa svim aspektima koje ona sadrži: kontinualnost i isprepletenost.
 Takođe, ne treba posebno dokazivati da naučno saznanje ima jasne i čvrste
ciljeve. To je jedna od čovekovih delatnosti koja se posebno odlikuje usmere-
nošću i planiranjem.
Naučno saznanje se pokazuje kao svrsishodna delatnost najpre u savreme-
nim empirijskim naukama koje teorije proveravaju na iskustvenim podacima.
Postoji jedna operacija koja je intimno povezana sa saznanjem i sa praktičnim
svetom - merenje. M erenje, kao posebno defm isana praktična delatnost,
obuhvata osobine Ijudskog znanja i saznanja, osobine čovekove praktične delat-
nosti i osobine stvarnog sveta. Ako ga tako defmišemo, onda znamo da će, kad
god se nešto meri, dolaziti do odstupanja od cilja zbog nepoznatih uzroka. To
„odstupanje od cilja” možemo operacionalizovati kao neizvesnost rezultata sle-
dećeg merenja, bez obzira koliko smo merenja, makar i iste stvari, prethodno
izvršili.
Naučno saznanje možemo, u kontekstu defmicije slučaja, operacionalizova'
ti kao očekivanje. Pod očekivanjem podrazumevamo potpuni sadržaj tog pojma
a ne samo racionalno-analitički. Očekivanje, naime, sadrži i nameru, volju
spremnost za delanje, a ne samo kognitivnu analizu koja rezultira nekim stepe
nomneizvesnosti. Ukratko, očekivanje razumemo kao intencionalno i racionalno,
Sada raspolažemo sa nekoliko bitnih odrednica koje nam mogu pomoći u
defmisanju slučaja: praktična delatnost, cilj i očekivanje. Prema tome, možemo
zaokružiti situacije za koje se može reći da se desio slučajni dogadaj i možemo
formulisati još jedan važan stav o slučajnosti. Ovaj stav će biti posebno pragma-
tičan u oblasti merenja u naukama o ponašanju: sKičai nastaie tokom svrsishodne
praktične deiatnosti. kao odstupanie od nostavlienog cilia ili očekivanoe ishoda.
Uporedimo situacije kada merimo telesnu težinu Ijudi sa merenjem težine kamenčića
na šijunkovitoj plaži. U oba slučaja ćemo verovatno dobiti približno normalno distribuiranu
slučajnu varijablu težine. Čemu sada možemo pripisati slučajnost ishoda merenja, odnosno
dobijenu varijabilnost? Težina kamenčića na plaži zavisiće verovatno od geološkog sastava
kamenja, starosti plaže, izloženosti radu talasa i sl., pri čemu su sami kamenčići pasivni
agenti promena. S druge strane, težina Ijudi zavisi od DNK programa, ali i nebrojenih proce-
sa koji su doveli do formiranja organa i tkiva, zatim od rase, ishrane, bolesti i drugih faktora
koji su rezultat aktivne interakcije merenih Ijudi i okoline, ali i potencijalnih interakcija mere-
ne veličine (težine) i samog merenja (npr. neki Ijudi nisu želeli, ili nisu mogli da dodu da se
mere). Distinkcija izmedu merenja kamenčića i Ijudi bi bila još jasnija da smo kod Ijudi merili
inteligenciju. U svim slučajevima je merenje to koje je generisalo slučaj, jer koliko god da
smo merili, uvek će biti neizvesan ishod sledećeg merenja. Međutim, kada se radi o mere-
nju težine kamenčića, oni su pasivan, a kada se radi o merenju Ijudi, oni su aktivan činilac
merenia.

5. Slučajnost i razvoj jedinke

Postoje različite mogućnosti da se defmiše „praktična” delatnost. Pojam

prakse je, sam po sebi, predmet filozofskog procesuiranja već odavno, ali se pri
tome po pravilu podrazumevaju čovek i njegova razumna delatnost. Nama,
medutim, treba jedna opšta defmicija koja bi bila primenljiva na sve organizme:
na svesnu delatnost čoveka, ali i na proces razmnožavanja amebe. U tom pogledu
se čini da je praktičnu delatnost najbolje opisati kao interakciju organizma i
okoline koja se zasniva na fizičkim i hemijskim procesima. U najprostijem vidu,
praktična delatnost je kretanje i razmena materije. Često se može sresti iskaz o
„materijalnim i energetskim razmenama” organizma i okoline, koji znači u osnovi
isto (Fajgelj, 1975).
Međutim, vrlo važna komponenta praktične delatnosti svih živih organiza-
ma je cilj s obzirom na koji se ona obavlja i bez kojeg praktične delatnosti nema.
Moglo bi se reći da ne postoji delatnost živih organizama koja nije svrsishodna
(ali se ne može zanemariti ni mogućnost postojanja „šuma” i spontane motorike).
Dakle, šta je to cilj?
Ciljno ponašanje defmišemo kao objektivno sistemsko svojstvo živih orga-
nizama koje se sastoji od niza odluka i aktivnosti pomoću kojih se organizmi
prilagodavaju okolnostima, radi dostizanja nekog konačnog stanja koje obično
nazivamo ciljem. Ovako defmisano ciljno ponašanje ne podrazumeva svest.
Razmotrimo sada jedno veoma važno pitanje iz ovog domena - šta su
telesne i duševne osobine živih bića. Da li se one mogu podvesti pod svrsishodno
ponašanje, odnosno da li su rezultat takvog ponašanja? Da li je, na primer, telesna
visina c;^'jedinke, baš kao i inteligencija? Ako se decentriramo od kolokvijalnog
pojma svesnog ponašanja i umesto izraza „ponašanje” upotrebimo izraz „mate-
rijalne i energetske razmene sa okolinom”, onda i u slučaju čovekovog rasta
možemo reći da se radi o realizaciji jednog programa koji je ugrađen u DNK i
koji kroz transkripciju u proteine, kao i kroz mnoge druge poznate i nepoznate
mehanizme ostvaruje fizičke karakteristike vrste.
Ipak, bilo bi pogrešno reći da je cilj genetskog programa dostizanje neke
telesne visine. Cilj genetskog programa je da napravi mesta za sve organe, ali i da
u tome ima što više varijacija kako bi se omogućila evolucija (prirodna seiekcija
bila bi nemoguća kad bi svi organizmi bili identični). Malo je verovatno da negde
u genetskom kodu piše „visina”. Jedan od rezultata rasta, koji mi nazivamo
telesnom visinom, rezultat je niza procesa i uticaja koji uopšte nisu geometrijski,
niti imaju veze sa zauzećem prostora. Jedan od osnivača statistike, belgijanac
Adolphe Quetelet tvorac je pojma „prosečni čovek”. To je onaj čovek koga
priroda želi da stvori, ali zbog ometanja od strane mnoštva sitnih nezgoda ona to
retko uspeva u svim aspektima.
Kako možemo da znamo da iza dostignute telesne visine stoji niz procesa i
uticaja? Tako Sto mereći visinu vidimo da se ona ponaša p o pravilima slučajne
varijable sapribiižno normalnom raspodelom. Pošto smo to uočili, mi znamo da
iza „postigmića visine" stoji veliki broj uzroka i procesa koji su uticali nepo-
sredno ili posredno. Kao što će se kasnije videti, na osnovu varijabilnosti telesne
visine možemo izučavati te procese i izučavajući ih sagledati sav ,,rad” koji je
jedinka obavila na usklađivanju hereditamih i sredinskih faktora.
Dakle, da li su osobine organizama cilj razvoja tih organizama i da li se taj
cilj postiže praktičnom svrsishodnom delatnošću? Odgovor je nesumnjivo
pozitivan. Iz toga sledi da se varijacije u nivou posedovanja osobina mogu takođe
tumačiti kao slučajne pojave. Razvoj jedinki kombinuje nasleđe i okolinu,
mikrosvet i makrosvet, kao i nebrojene kauzalne lance, pa su osobine jedinke, kao
rezultat tog razvoja, emanacija slučajnosti.

Prikazano shvatanje slučajnosti je korisno za razumevanje porekla indivi-

dualnih razlika. U narednom poglavlju će biti opisani izvori individualnih razlika,
upravo na osnovu ovakvog shvatanja skičajnosti. Ono nije posebno novo jer se
tretman slučajnosti kao neočekivanog rezultata Ijudske aktivnosti koje je usmemo
ka cilju sreće još kod Tukidida i Ksenofana (Marković, 1981). Povezivanje
slučaja i teleologije nastavljeno je i kasnije, recimo kod nekih filozofa „novo-
kantovaca”. Marković ovakva shvatanja slučajnosti naziva aksiološkim. Kao što
je rečeno, pojmovi cilja i očekivanja sadrže i aspekt „vrednosti” (za jedinku, za
istraživača), pa u tom smislu Markovićeva klasifikacija ima smisla.
Važno je uočiti da je slučaj nnžna prateća pojava svake praktične delatnosti
usmerene ka cilju - pa i merenja.

6. Paradoksi slučajnosti

Teškoće razutnevanja slučajnostl su prisutne kod svlh Ijudl, bllo da se radl o svako-
dnevnom žlvotu III naučnom radu. Postojl prillčan broj referencl u naučnoj llteraturi koje su
se bavlle teškoćama Ijudskog uma u pltanjima slučaja. Tim problemom su se bavlli poznatl
autori iz razllčitih oblastl i utvrđene su različite pravilnostl i zakonitosti po kojima Ijudl greše u
tumačenju slučajnosti.
Istražlvanja koja se najčešće cltiraju u tom domenu je obavlo pslholog Amos Tverskl,
a njegovl zaključcl se smatraju fundamentalnlm. Osim naučnlka, ponašanjem Ijudl u neiz-
vesnim sltuacljama bave se i obaveštajne službe. Njlma je to pltanje važno Iz vlše aspekata:
sa stanovišta zaključaka koje donose agenti-operativci, analltlčari, kao I Ijudl kojl su pred-
met obaveštajnog rada.
U najkraćim crtama, jedan od osnovnih probiema shvatanja slučajnostl se manifes-
tuje kao konflikt izm e đ u slučaja kao diskretnog i konkretnog događaja i verovatnoće kao
kontinuirane i apstraktne veiičine. Ljudl slučajnost prepoznaju u nekom događaju kojl se
desio III se nlje desio, III treba, odnosno ne treba da se desl. S druge strane, matematika Im
nudl verovatnoću, koja može da zauzme bilo koju vrednost izmedu 011. Kasnlje će to bltl
demonstrirano na konkretnom primeru.
Pored toga, Ijudl ne znaju da rezonuju na način teorije verovatnoće. Karakteristlčan
primer je kada se probleml definlšu pomoću tzv. uslovnlh verovatnoća. Osim uslovnlh vero-
vatnoća, teorija verovatnoće operiše i druglm načinlma kombinovanja vlše verovatnoća (vlše
slućajnih dogadaja). U svlm tlm primerima Ijudi a) ne rezonuju koherentno i b) često rezo-
nuju suprotno od matematlčklh pravila. Generalno, to je zato što Ijudi događaje interpretiraju
kauzaino, a ne stohastički.
Jedna vrio neobična stvar se primećuje kod kolokvljalne Interpretacije slučajnlh doga-
đaja. Nalme, kad se nekome desl nešto neočeklvano, Ijudi kažu da je to sudblna. Sudblna
nlje ništa drugo do kolokvijalan Izraz za determinlzam (eventualno anlmlstlčke, mistićne III
religlozne vrste). Iz toga bl sledilo da Ijudi siučajnost tum ače determinističkl, u čemu se
 ogleda još jedna paradoksalnost Ijudskog shvalanja slučajnosti. Zdrav razum voli kauzal-
nost. Tverski i Kahneman su zaključlll da „intuitivno sudenje o svim relevantnim marginal-
nim, konjunktivnim i uslovnim verovatnoćama teško da će biti koherentno, tj. da će zadovo-
Ijavati pravila teorije verovatnoće". Značajno je reći da su ova dvojica autora smatrali da ta
nekoherentnost nije površna, već da proističe iz temelja kognitivnog funkcionisanja Ijudi.

H e u ris tik a r e p r e z e n ta tiv n o s ti.- U brojnim studijama tokom ranih 70-ih godina XX
veka, Tversky i Kahneman' su pokazali da tipična odrasla osoba nije statističar u minijaturi,
kao i da se rezonovanje statlstičara početnika fundamentalno razlikuje od eksperta. Oni su
formulisali niz heurističkih metoda koje Ijudi svakodnevno koriste prllikom odlučivanja u
uslovinia neodredenosti. Pogledajmo sledeči originalan primer Tverskog i Kanemana:

Ispitane su sve porodice u gradu koje imaju šestoro dece. U 72 porodice

je tačan redosled rođenja dečaka (M) i devojčica (Ž) bio: ŽMŽMMŽ. Koliko vi
procenjujete d_a je medu ispitanim porodicama bilo onih u kojima je redosled
rođenja bio MŽMMMM?

Ako se pretpostavi da je verovatnoća rođenja dečaka i devojčica je d n a k a I nezavisna

od radanja do radanja, tačan odgovor bi bio da su sve sekvence jednako verovatne. Tako bi
72 bila najbolja ocena frekvencije redosleda MŽMMMM medu ispitanlm porodicama (jedna-
ka kao ŽMŽMMŽ). Međutim, preko 80% Ijudl je dalo procenu manju od 72 (pri tom treba
imati u vidu da bi oni koji su upoznati sa činjenicom da se dečaci radaju češće, sa verovat-
noćom oko 0,513, trebalo da daju procene veće od 72 jer u pomenutom redosledu ima više
dečaka).
Kaneman i Tverski su pokazali da su ovi odgovori bili bazirani na pravilu „heuristlke
reprezentativnosti". Prema ovoj heuristici, verovatnoća izvlačenja nekog konkretnog uzorka
se procenjuje prema tome koliko je uzorak sličan populaciji - vrlo slično procenjlvanju
porodične pripadnosti na osnovu sličnosti sa roditeljima.
Autori su utvrdili da su ovde postojala dva opšta razloga zbog kojih se Ijudima
ŽMŽMMŽ činio visoko reprezentativan za redosled rođenja. Prvo, za razliku od MŽMMMM,
u njemu je jednak broj dečaka i devojčica, što bolje reflektuje činjenicu da su oba ishoda
jednako verovatna (ili vrlo blizu tome). Drugo, on izgleda mnogo više nasumičan od
MŽMMMM, čime intuitivno zadovoljava saznanje o slučajnosti odredivanja pola.
lako heuristika reprezentativnosti ima svoju zasnovanost u velikom broju živoinih
situacija, ona zakazuje na primerima sa jednakim verovatnoćama, dakle kada postoji
maksimalna neodredenost.
P ris tu p is h o d a .- Konold (1995) je nazvao „pristupom ishoda" tendenciju da studenti
na osnovu probabilistlčkog iskaza vremenske prognoze da danas postoji „70% verovatnoće
da će pasti kiša' zakljućuju da „će danas biti kiše". Na osnovu tog pristupa studenti su
verovatnoću pretvarali u da/ne ishod. Karakteristično za taj pristup je da za verovatnoću
50% smatra da predstavlja potpuno odsustvo znanja o ishodu (neki studenti su, u primeru
vremenske prognoze, rekli da im se čini da meteorolozi koriste iskaz o 50% kada ne znaju
šta da kažu). Na osnovu ovog primera Konold je smislio sledeći ajtem.

Problem vrem enske p rognoze. Meteorološki centar u Springfildu želi da

odredl tačnost svojih vremenskih prognoza. Pregledall su svoju arhivu za one

*’ Psiliolog Daniel Kahneman je 2002. g. đobio Nobelovu nagradu za rad u oblasli

ckonomske psihologije koji je bio inspirisan upravo izučavanjem razumevanja slučajnosti
kod Ijudi.
 dane kada je prognostičar dao 70% šanse da će pasti kiša. Iz arhive su pova-
dili podatke o tome da li je tih dana stvarno padala kiša ili ne.
Prognoza o 70% šanse da će pasti kiša može se smatrati vrlo tačnom,
ako je kiša stvarno pala, data je u tabeli.

a) 95%- 100%od tih dana 43

b) 85%- 94%od tih dana 14
c) 75%- 84%od tih dana 19
d) 65%- 74%od tih dana 38
e) 55%- 64%od tih dana 5
Konold je primenio ajtem na 119 studenata na početku različitih kurseva iz statistike.
Broj odgovora se nalazi u krajnjoj koloni. Kao i u slučaju .problema retke bolesti”, ovaj
primer je izazvao diskusiju medu statističarima.
Na osnovu frekvencija odgovora vidi se da je većina studenata rezonovala u skladu
sa pristupom ishoda. Njih 43 je očekivalo da 70% šanse znači da će kiša padati (odgovor a).
Medutim, verovatnoća je kontinualna veličina koja bazira na statistički eksplicitno iskazanom
zahtevu za velikim brojem ponavljanja. Tačnost prognoze se ne može dokazati na osnovu
jednog jedinog dana jer ni iskaz o 70% šanse nije baziran na pojedinačnim danima, već na
istorijskoj meteorološkoj evidenciji.
Pravilan odgovor je pod d) i njega je izabralo 32% ispitanika. On obuhvata verovatno-
ću koja je sadržana u prognozi, upravo na način na koji je prognoza i sastavljena. Niske
frekvencije odgovora pod b) i c) govore o tome da, kada Ijudi imaju „pristup ishoda", onda
rezonuju j li pada ili ne pada” i ništa manje od toga im se ne čini plauzibilnim. Ovaj primer
eklatantno ukazuje na problem diskretno-kontinualno, kada se brkaju dogadaji i
verovatnoće.

7. Izvori individualnih ra zlilo

U prethodnom poglavlju je izložen opšti okvir za razumevanje porekla

individualnih razlika, njihovog značaja i analize. Objedinjujući pojmove slučaja,
praktične delatnosti, cilja, očekivanja i merenja, napravili smo jednostavan i
prihvatljiv okvir za objašnjenje pojave koja je za nauke o ponašanju od presudne
važnosti - individualnih razlika. Na sledećim stranama ćemo rezimirati i dodatno
objasniti izvore individuahiih razlika.
Osnovna teza
Po poreklu i suštini, individualne razlike su slučajne pojave.
Teza I
Budući da su slučajne pojave, individualne razHke su nužan ishod
ciljne i praktične delatnosti kao što je nierenje.
Teza 2
Najbolji alat za njihovu anahzu kao slučajnih pojava jeste statistika u
najširem značenju tog pojma.
 TezaS
Slučajne pojave potiču iz dubljih, skrivenih i nepoznatih izvora, pa je
anahza individualnih razlika snažno oruđe za otkrivanje njihovih
izvora.
Teza 4
Ako između dve slučajne varijable postoji korelacija, onda možemo
biti sigurni da one: a) dele jedan ili više zajedničkih izvora, ili su b)
jedna drugoj deliniičan izvor. To je osnovni i aktivni princip analize
individualnih razlika koja nam omogućava da na osnovu manifestnog
ponašanja izučavamo latentne osobine.
Individualne razlike, dakle, nastaju kao rezultat merenja ponašanja i u naj-
opštijem smislu su slučajne pojave. U prethodnimpoglavljima smo protumačili da
je slučaj takav ishod neke praktične delatnosti koji predstavlja odstupanje od
očekivanja ili ciljeva te delatnosti. Na narednim stranama objasnićeno koje se tu
praktične delatnosti u pitanju i o kojim ciljevima se radi?

a. Prvi izvor individualnih razlika

Naše merenje, kao takvo, praktična je delatnost, a njegov cilj je tačna mera.
Da bismo merili mi moramo da konstruišemo merne instruinente, moramo da
izvlačimo uzorke objekata posmatranja, da sprovodimo procedure merenja i
prikupljamo podatke putem intervjua ili neposrednog posmatranja na primer.
Svaka od tih praktičnih delatnosti dovodi do slučajnih odstupanja. Razlike koje se
kao slučajne pojave toni prilikom generišu se često nazivaju greškama merenja.
Biće posebno jasno o kakvim se odstupanjima radi ako kažemo da do njih dolazi
kada se ponavljaju merenja uzastopno na jednom te istom objektu. Ta odstupanja
su posebno uočljiva kada se merenja ponavljaju sa drugim memim instrumentima,
posmatračima ili ocenjivačima. Do istih takvih odstupanja redovno dolazi i u
fizičkommerenju i tamo se nazivaju „slučajnim greškama”.
Međutim, merenje kao praktična delatnost, u naukama o ponašanju rie
dovodi samo do ovakvih odstupanja koja se žargonski nazivaju slučajnim greš-
kama. U naukama o ponašanju se stalno iznova konstruišu merni instrumenti i
stalno se iznova postavlja pitanje njihovih memih karakteristika, posebno valid-
nosti. Na primer, memi instrument koji je primenjen možda uopšte ne meri
osobinu koju smo mislili da meri i to možda zato što je teorija o osobini koja se
meri pogrešna.
Takođe, veoma poznata vrsta grešaka koja se može pripisati ovom izvom je
pristrasnost, odnosno nereprezentativnost uzorka. Pristrasnost uzorka je vrlo često
rezultat toga što je uzorak projektovan kao nereprezentativan, tj. kao prigodni ili
namemi. A projektovan je kao prigodni ili namerni zato što nije bilo dovoljno
vremena, novca, volje ili znanja da se primeni reprezentativni.
Treću, a vrlo čestu varijantu ovog izvora, predstavljapristrasnost istraživača
u odnosu na pojavu koju izučava. Ova pristrasnost se može ogledati u izboru i
defmisanju problem a istraživanja, a naročito prilikom tumačenja rezultata.
Međutim, sa aspekta generisanja individualnih razlika važna je pristrasnost tokom
prikupljanja podataka. Naime, istraživač kao posmatrač, ocenjivač, učesnik ili
moderator tumači pojave u skladu sa svojim iskustvima i ciljevima. U tom
pogledu nastale individualne razlike su rezultat interakcije istraživača i merene
pojave, ali posmatrano sa strane istraživača kao aktivnog činioca.
Pogrešan predmet merenja, nereprezentativan uzorak i pristrasnost po
pravilu neće davati nasumična odstupanja ,,od stvamosti” (slučajne greške), nego
će biti manje ili više sistematska, budući da su povezana sa odabranom teorijom,
pristupora i dotadašnjim znanjima.
Imajući sve to u vidu, za individualne razlike koje su generisane iz prvog
izvora može se reći da predstavljaju „mere” istraživanja kao takvog - od teorijske
osnove do memih procedura - i ne govore ništa o predmetu merenja. Takve
individualne razhke su u principu neželjene i mogu se okarakterisati kao greške
merenja, ali se u daljem razvoju teorije mogu pokazati kao saznajno vredne i
mogu predstavljati osnov za popravljanje postojeće ili stvaranje nove teorije.

b. D rugi izvor individualnih razlika

Psihologija poznaje dve „paradigme” psihološkog merenja: a) ispitanik

dobija da reši neki zadatak, a psiholog ocenjuje je li rešenje tačno i b) ispitanik se
pita o njegovim stavovima, uverenjima ili ponašanjima i on sam sebe procenjuje.
Čitalac će lako prepoznati da se ti primeri mogu uopštiti tako da važe u svim
naukama o ponašanju. U prvoj paradigmi je situacija ,jasnija”, ispitanik se nalazi
pred jasnim zadatkom, a rešenje tog zadaka se može lako oceniti i ocenjuje ga
spoljni posmatrač. U dmgoj paradigmi, ispitanik sam procenjuje svoje ponašanje,
na osnovu manje ili više direktnih pitanja, ali mi ne znamo unapred na koji način
će on razumeti ta pitanja i šta će želeti da kaže svojim odgovorom. Ovim dvema
paradigmama, karakterističnim za psihološko testiranje, mogu se pridmžiti i neke
druge, a pre svega paradigma merenja putem posmatranja, pri čemu pod posma-
tranjem podrazumevamo svako ocenjivanje ponašanja od strane istraživača.
U prvoj paradigmi se slučaj može jednostavno defniisati kao greška ispita-
nika, odnosno pogrešno rešen zadatak. U nekoj dmgoj prilici bi isti ispitanik
uspešno rešio taj zadatak (i obratno). U drugoj paradigmi, kada ispitanik daje
samoprocenu, znamo da on može menjati svoje odgovore u zavisnosti od niza
faktora. Može biti nesiguran u pogledu toga šta je njegovo tipično ponašanje, ili
može oscilirati između nekoliko svojih suprotstavljenih samoprocena. Može
procenjivati korisnost je d m g ili dmgog odgovora u konkretnoj situaciji... Bilo
kako bilo, u ovom vidu odgovaranja nije lako formulisati šta je ispitanikov cilj,
ali samo odgovaranje možemo tretirati kao svrsishodno praktično ponašanje i
možemo registrovati da dolazi do variranja odgovora iz nepoznatih razloga, pa
stoga možemo takve varijacije tretirati kao slučajne pojave.
 Individualne razlike koje tako nastaju rezultat su interakcije između objekta
posmatranja i same procedure posmatranja, ali ovaj put, za razliku od prvog
izvora, sa strane objekta kao aktivnog činica. I ove individualne razlike su obično
neželjene, tj. tretiraju se kao greške merenja.

c. Treći izvor individiialnih razlika

Razvoj i funkcionisanje organizma na fiziološkom i neurohemijskom nivou

je takode praktična ciljna delatnost (iako nije svesna). Ciljevi tili procesa su
raznovrsni, a najviši cilj je održanje života, odnosno pretvaranje haosa u red
(negentropija). Tokom rasta i razvoja jedinke neprekidno se vrši uskladivanje
naslednih i konstitucionih činilaca međusobno i sa sredinskim uslovima. S
obzirom na vehki broj činilaca, rezultat rasta i razvoja je jedinstven za svaku
jedinku (makar bila i monozigotni blizanac sa nekom driigom), ah se bez svake
sumnje kreće u okvirima koje diktira nasleđe vrste homo sapiensa.
Pošto su neurofiziološki činioci na svaki način „baza” ponašanja, oni će biti
i izvor, odnosno uzrok individualnih razHka u ponašanju i osobinama. „Fizički”
procesi su, baš kao i „psihički”, praktična đelatnost, a ciljevi su im biološki - npr.
adaptacija. Uticaji prirodne i društvene sredine, od samog nastanka ploda do smrti
individue, sa svoje strane moduHšu neurofiziološko funkcionisanje. Individualni
sklop, ono što definiše jedinku kao takvu, pa prema tome i njene osobine i pona-
šanje, proističe iz ovako defmisane kombinacije naslednih i sredinskih faktora i
obično predstavlja predmet izučavanja bihejvioralnih nauka (Fajgelj, 2005).

Svi ovi tipovi delatnosti se prepliću i nalaze se u interakciji. Na koji način?

Kao prvo, treba uočiti da u situaciji merenja ponašanja u osnovi postoje dve
strane - istraživač i objekt istraživanja. U naukama o ponašanju dolazi do čestog
terminološkog sukoba jer su objekti istraživanja obično osobe - za koje je
najbolje koristiti naziv „subjekt”. U kontekstu ove knjige verujemo da čitaocu
neće predstavljati problem da razume da su predmet istraživanja, objekt, subjekt
i ispitanik razna imena za istu stvar. Dakle, obe strane, istraživač i subjekt,
pokreću lanac odredenih praktičnih delatnosti sa različitim i odvojenim ciljevima.
Istraživač započinje istraživanje, bira varijable i hipoteze, vrši operacionalizaciju,
manipuliše nezavisnom varijablom, bira uzorak objekata, sprovodi merenja -
obavlja dugi niz praktičnih koraka i postupaka. U svakom tom koraku je moguće
đa dođe do nekog odstupanja, neželjenog ishoda, pogrešno formulisanih tvrdnji u
upitniku, neočekivanih rezultata i ponašanja. Svi učesnici u istraživanju, a
posebno ispilanici, mogu da se ponašaju neočekivano, da se boje eksperimenta,
da izbegavaju da odgovaraju iskreno ili da su nemotivisani. Ciijevi istraživača su
manje-više jasni i univerzalni, recimo da je to saznavanje istine, ali u svakom
postupku koji sprovodi tokom istraživanja dešavaju se „nepoznati i nezavisni
kauzalni lanci” koji dovode do slučajnih odstupanja.
 Sa strane subjekta; uslovi merenja, ciljevi koje subjekt ima i ponašanje koje
on saobražava tim ciljevima su ono što dovodi do različitih ishoda njegovog
ponašanja. Ako na testiranju za prijem na posao popunjava neki upitnik ličnosti
želeće da se predstavi u boljem svetlu, a ako odgovara nekom anketaru o svom
stavu prema abortusu nastojaće možda da „izbegne raspravu” sa anketarom i
odgovoriće ,,ne znam”. Jedan subjekt želi da prikrije svoja osećanja i stavove,
drugi želi da ih izrazi većim ili boljim nego što jesu, treći je nemaran i nepažljiv...
Ovaj izvor individualnih razlika će biti posebno jasan ako za primer uzmemo
kognitivno testiranje. Ispitanik će možda želeti da reši što više zadataka, ali će
praviti greške zato što mu ne odgovara rad na hronometar, ih ima tremu, ih je
umoran (ali ne zato što nije dovoljno pametan).
Situacija ocenjivanja odnosno merenja u kojoj je ispitanik svestan da ga
ispituju i, posebno, ako je svestan da će njegovi odgovori imati posledice za
njega, veoma je bremenita u pogledu interakcija ciljeva istraživača i objekta.
Ljudi po pravilu stupaju u kontatke sa istraživačima sa izraženom i protivrečnom
m.otivacijom i nije preterano da se postojanje ciljeva učesnika sa obe strane
naglasi pomoću moguće suprotstavljenosti tih ciljeva.
Nasuprot takvoj tipičnoj situaciji društvenog merenja može se navesti
primer neučesničkog (engl. unobtrusive) posmatranja, kada ispitanici nisu uopšte
svesni da su posmatrani, a pogotovo ako ne izvršavaju nikakve specijalne aktiv-
nosti, nego se bave svakodnevnim poslom. U tom slučaju, sa strane društvenog
istraživača i dalje postoji cilj merenja (tačna mera) i praktična delatnost merenja.
Sa strane ispitanika, istina, nema prilagođavanja situaciji merenja, jer je nisu
svesni, pa svoje ponašanje neće modifikovati. Međutim, njihovo ponašanje (koje
posmatramo) je i dalje praktična svrsishodna delatnost, koju kao takvu prati
pojava slučaja, pa se pojednostavljeno može kazati da postoje samo prvi i treći
izvor individualnih razlika.

8. Greške merenja

U „individualnim” naukama kao što su psihologija i pedagogija obično se

kaže da su individualne razlike posledica različitih nivoa crte kod ispitanika, dok
se greške merenja tretiraju kao oni ishodi merenja koji nas dovode u zabludu u
pogledu nivoa crte. Klasična testna teorija kaže, na primer, da se svaka mera
sastoji iz pravog i pogrešnog dela. Od presudne je važnosti, medutim, da
istraživači ponašanja razumeju da su „pravi skorovi”, baš kao i „greške merenja”
(v. poglavlje o pouzdanosti) jedna te ista pojava - slučajne pojave nastale tokom
praktične svrsishodne delatnosti Ijudi. Analizom bilo kog od izvora varijacija
mogu se dobiti relevantne informacije o kauzainim lancima koji su izazvali te
varijacije. U tom pogledu „pravi skorovi” nemaju nikakvu privilegiju u odnosu na
greške merenja ili greške ispitanika. Osim toga, treba ponoviti da su sva tri izvora
individualnih razlika u stalnoj interakciji i da je potreban poseban napor da bi se
oni razdvojili - ukoliko je to uopšte moguće.
 Uzmimo kao ilustraciju merenje telesne visine, upravo zbog toga što to nije
neka skrivena psihička osobina i što se kod nje „stvari čine jasnim ”. Poslužićemo
se izveštajem Queteleta da je na poligonu frekvencija 100.000 francuskih regruta
našao nagomilavanje slučajeva upravo ispod minimuma visine potrebnog za
shiženje vojske i tužno smanjenje frekvencije upravo iznad minimuma. Jedino
razumno objašnjenje za to odstupanje od normalne raspodele je bilo da su niski
regruti uvlačili glavu u ramena kako bi pali ispod minimuma. Dakle, mereći
telesnu visinu Ketle je merio i motivaciju za odlazak u vojsku (Stilson, 1966).
Osim toga, kada bismo u nekoj longitudinalnoj studiji ili studiji preseka
korelirali prosečnu telesnu visinu sa npr. socio-ekonomskim statusom (SES)
pojedinca ili dništva, sva je prilika da bismo dobili pozitivnu vrednost - materi-
jalno blagostanje doprinosi telesnoj visini i težini. Na osnovu toga bismo mogli
ići dalje i zaključivati o razlozima za tu korelaciju: da li se radi o boljoj ishrani,
raznovrsnijoj ishrani, higijeni, telesnim vežbama, odsustvu teškog rada ili sl. Sve
u svemu, videli bismo da individualne razlike u telesnoj visini nisu samo ana-
tomskog porekla, nego i socijaLnog. Ove druge možemo proglasiti „greškama
merenja”, ali su one realne i objašnjive.
Slučajne i sistematske greške m erenja. - 0 greškama merenja se ras-
pravlja u svakom istraživačkom priručniku i udžbeniku. Standardna podela je na
slučajne greške i sistematske greške merenja. Za slučajne greške merenja se kaže
da se kod svakog izmerenog objekta javljaju nezavisno. Zato slučajne greške
raerenja ne dovode do promene u aritmetičkoj sredini rezultata, s obzirom da se
međusobno potiru. Nasuprot njima, sistematske greške utiču na aritmetičku
sredinu jer do njih dolazi kada postoje neki sistematski faktori koji utiču na mere
svih merenih objekata. Slučajne greške merenja ne mogu da posluže ni za kakvu
generalizaciju jer se menjaju od merenja do merenja, a obično ih je teško
identifikovati i kvantifikovati. Nasuprot tome, sistematske greške, s obzirom nato
da utiču na visinu izmerene osobine kod većeg broja objekata u istom smeru,
mogu da posluže za generalizacije, ali je njihov izvor obično nepoznat,
neočekivan i, svakako, neželjen.’
lako je ova podela lako shvatljiva društvenim istraživačima, ona ne
predstavlja nikakvu koherentnu teoriju grešaka. Kao što je rečeno u prethodnim
poglavljima, sve izmerene individualne razlike su slučajne pojave, tj. sve su one
rezultat sticaja mnogih kauzalnih lanaca koji dovode do jedne ili druge izmerene
veličine. Sistematska analiza tzv. grešaka merenja nam pokazuje da su to
jednostavno oni rezultati koji su nama neočekivani, tj. koje ne predviđa teorija o

’ Tačnije rečeno, greške ne dovode samo do pomeranja aritmetičke sredinc, odnosno

lokacije distribucije frekvencija lcvo ili desno, nego mogu da dovedu i do izobličenja oblika
distribucije. Ako uzmemo da se u naukama o ponašanju očekuje da su individualne razlike
normalno raspodeljcne, greške mogu da dovedu do asimetričnosti distribucije, do spljošte-
nosti ili zašiljenosti, do bimodalnosti ili polimodalnosti kao i prelomnih tačaka. Medutim,
iz razlogajednostavnosti, ovde ćemo se zadržati na ovoj jednostavnoj interpretaeiji slučajnih
i sistematskih grešaka - u fonni uticaja na prosek.
merenoj osobini i rezultati čije izvore ne poznajemo. Dakle, greške merenja u tom
trenutku predstavljaju neželjene varijacije u izmerenoj pojavi. Međutim, u nekom
drugom trenutku, nakon modifikacije teorije, nakon unapređivanja znanja o
nierenoj pojavi, ili jednostavno u nekom drugom kontekstu, te varijacije mogu
prestati da budu „neželjene”. U pomenutom Queteletovom primei'u, deformacija
u distribuciji ima status gre.ške kada se meri telesna visina regruta. Međutim, neki
istraživač može to iskoristiti kao sekundami podatak o pojavi slabe motivacije za
služenje vojske. Postoji bezbroj primera o tome kako je naknadna analiza grešaka
dovela do bitnog unapredivanja saznanja o pojavama.

9. Analiza individualnih razlil<a

Poslužićemo sejednim korisnimuprošćavanjem, pomalopoetskim, pa ćemo

reći da su individualne razlike odjeci ;z dubina. Sta to znači? To znači da
osluškujući individualne razlike možemo čuti šta se dešava i šta se dešavalo iza i
pre procesa i pojava koje neposredno merimo. U realnom svetu nije važno što se
jedan deo razlika izmerenih telesnih visina može, na primer, objasniti netačnošću
lestvice uz koju su regruti stali da bi bili izmereni. Ta netačnost je, možda,
rezuhat aljkavosti majstora koji je u domu zdravlja nadležan za održavanje, a on
je aljkav je r smatra da nije dovoljno plaćen za svoj rad. U nekom drugom domu
zdravlja, nadležna osoba može biti dovoljno motivisana i stnična pa će regrutske
mere biti tačnije (i, možda, drukčije). U realnom svetu je motivisanost osoblja
jednako realna kao i rezuUat rada nečijeg genetskog koda (telesne visine).
Našim „oshiškivanjem” individuahiih razhka možemo saznati vrlo mnogo o
vrlo mnogo različitih stvari, bih mi toga svesni ih ne, bilo to nama potrebno iii ne.
hidividualne razlike se, dakle, mogu definisati kao slučajni događaji: to su
varijacije u ponašanju ih osobinama koje su posledica delovanja nepoznatih
uzroka, koje smo utvrdih tokom praktične operacije merenja i koje predstavljaju
odstupanje od (nekog i nečijeg) cilja.
U ovom trenutku je značajno istaći da je najbolja metoda za anahzu
individualnih razhka statistička metoda. Pošto su individualne razhke shičajne
varijable, a slučajne varijable su „mera latentnih varijabh”, onda je razumljivo
zašto upravo statistika predstavlja alat za njihovu analizu. Zbog toga smo ranije
više puta rekh da će za sve istraživače ponašanja biti vrlo inforniativno i korisno
da razumeju da su individualne razlike predmet izučavanja naul<a o ponašanju.
Da bismo poštovah kanon naučnog pisanja i izbegh metafore, reći ćemo da
iziičavanie individualnih razhka omogućuie pristup skrivenim i nepoznatim uzro-
cima manifestnog ponašanja.
Takav važan istraživački oslonac, individuahie razhke, prošao je do danas
kroz intenzivan konceptuahii razvoj i razvoj mehanizama za anahzu. Kao prvo,
danas se izvori individualnih razhka koji se nalaze ,,u dubini” obično označavaju
terminom latentne varijable. Nekad se, govoreći o tim izvorima, koristi izraz
generator, kao na primer, generator varijanse ih generator ponašanja, odnosno
latentni generator ponašanja. N a su p ro t late n tn im v a rijab la m a , sv o jstv a i po n a-
šanja koja se n eposredno m ere se n a ziv aju m a n ifestn im v a h ja h la m a . O p o jm u
latentnih i m anifestnih varijab li i n jeg o v o m isto rijatu će k a sn ije b iti više reči.
N a koji način je slučajn o st u ticala n a n ačin z ak lju čiv an ja u n au ci? Z ak o n i u
p rirodnim naukam a, koji su u v e k slu žili k a o e talo n n a u čn o g z ak lju č iv a n ja u
društvenim naukam a, d efm išu v e ze izm e đ u izv esn o g b ro ja v a rijab li p o m o ću
obično vrlo jed n o sta v n ih alg eb arsk ih je d n a č in a (na p rim e r, p o z n ati O h m o v zak o n
glasi prosto I= U /R ). T akve veze izm eđu v a rijab li se ob ičn o n a ziv aju fu n k cio -
nalnim , je r se m atem atički izrazi koji ih o p isu ju zovu funkcijam a. T ak o se u
O hm ovom zakonu kaže da je e ie k trič n a stru ja fu n k c ija n a p o n a i otpora.
F unkeionalne veze su d e term in ističk e, tač n e i p recizn e. A ko zn am o vred-
n ost napona i o tp o m o st p o tro ša ča m oći ćem o izraču n ati v re d n o st e lek tričn e struje
koja prolazi kroz potrošač sa p ro izv o ljn o v e lik o m tačnošću. M eđ u tim , k a d se radi
o slučajnim pojavam a, tj. sh ičajn im v a rijab la m a , k a o što su n a p rim e r stavovi
Ijudi, onda se ne m ože usp o stav iti fu n k c io n a ln a v e z a izm eđu p o jav a n eg o sta tis-
tička. U najvećem bro ju sh ič ajev a to znači da ćem o, z n aju ći v re d n o st n e za v isn ih
varijabh, recim o starosti isp ita n ik a, m oći izraču n ati v re d n o st z av isn e varijab le,
recim o stava prem a abortusu, ali sam o u z od red en u v e ro v atn o ću tačnosti.
Individualne razlike su p ra k tičn a re aliz a cija slu čaja u on o m sm islu kako su
slučajne pojave ovde interpretirane. P ro b a b ilistič k a p riro d a in d iv id u a ln ih razlika
nas sprečava da izračunam o fu n k c io n a ln e v eze, ali po što je ionako nerealn o
očekivati da ćem o fu n k cio n aln e v e ze izm eđu so c ija ln ih v a rijab li ikada u tvrditi,
m oram o obratiti p ažnju da su in d iv id u a ln e ra zlik e objektivni svedoci dubljih,
daljih, i pojava kojih m o žd a jo š n ism o svesni da postoje.
Individuaine razlike se, dakle, n a jb o lje m ogu d efm isati u rav n i slučajnih
događaja; to su varijacije u p o n a ša n ju ili o so b in a m a k o je su p o sle d ic a dclo v an ja
nepoznatih uzroka, koje sm o u tv rd ili to k o m p rak tičn e operacije m eren ja i koje
predstavljaju odstupanje od (n ek o g i n e čijeg ) cilja. Izvori in d iv id u a ln ih razlika,
vrste praktične d elatnosti i c iljev a opisani su u p re th o d n o m poglavlju,
S ta tistič k a m e lo d a j e n a jb o lje s re d s tv o z a a n a liz u in d iv id u a ln ih ra z lik a .
Pošto su individualne razlik e slu čajn e v a rijab le , a slučajne v arijab le su „m era la-
tentnih v arijabli”, onda je ra zu m ljiv o zašto up rav o sta tistik a p re d stav lja alat za
njihovu analizu. P rem a tom e, trijas m erenja, ind ivid u a ln ih ra zlika i sta tistik e
nezaohilazan j e u em pirijskim istra živ a n jim a u n a u ka m a o p o n a ša n ju . Istina, u
m nogim oblastim a n a u k a o p o n a ša n ju do d an as nisu ra zv ije n i teo rijsk i i p raktični
okviri koji bi om ogućili nierenje. O bično se u tak v im slu čajev im a p rim e n ju ju tzv.
kvalitativne m etode. M eđ u tim , isk u stv o g ovori da je razv o jem znanja i sa z n an ja u
lim oblastim a, kvalitativne m etode vrlo lako p rev esti u k vantitativne.
Ono što društveni n a u čn ici d an as k o riste i n aziv aju statistikom , u svom
najširem vidu, ne m ože se tretirati k a o isk lju čiv o p ro b ab ilističk a disciplina®. N a

* Slatistika je nastala iz teorije verovatnoće, grane m atem atike, uglavnom kao prim ena
tcorije verovatnoćc u oblasti naučnih istraživanja i m erenja. N aslanak statističke m etodc se
obično vezuje za X V III vek i radove Jacoba B em oullija, p ie ra Sim ona L aplacea i K arla
prim er, n je n a d o m in a n tn a p rim e n a u n e k im n au k am a kao što je p silio lo g ija , u
o bliku tzv. m u ltiv a rija tn e sta tistik e (m u ltiv arijatn e analize, M V A ), p o k a z u je d a se
p rv e n stv en o radi o p rim e n i m atričn e alg e b re z a analizu pod atak a. T ak o d e , danas
se c elo k u p n a o b last o b ra d e p o d a ta k a često n a ziv a „d ata m in in g ” (k o p a n je po
p o d a cim a), p ri čem u su sta tističk e m eto d e sam o je d a n o d n ačin a „ k o p a n ja ” .
Ipak, p ro se č a n istraž iv ač se sta ln o sreće sa sta tistič k o -p ro b a b ilistič k im
p o jm o v im a k a o što su v a rijan sa, u z o rak , sta n d ard n a gre.ška i sl. N a o sn o v u tih
p o jm o v a istraž iv ač i p o g re šn o z ak lju ču ju da se radi o p rim en i č iste sta tistik e u
istraž iv an jim a p o n a ša n ja . N o, statu s tih p o jm o v a u v ećin i ra d o v a iz statistik e
p rim e n jen e u n a u k am a o p o n a ša n ju j e teh n ič k i. O ni služe za d e sk rip ciju je d n e , po
svem u izu z etn e p o ja v e k o ja je isto v rem e n o i sudbina i n a d a d ru štv en ih , antro-
p o lo šk ih i sv ih b io lo š k ih n a u k a u o p šte . T a p o ja v a su in d iv id u a ln e razlike.
Što se tič e sta tistik e, su p e rio m i skup m e to d a za a n alizu in d iv id u a ln ih razli-
k a čini ono što se o b ičn o n a z iv a m u ltiv a rija tn o m analizo m , ih m u ltiv a rija tn o m
statistik o m . T o je zato što M V A p re d sta v lja m o d ele m eđ u o d n o sa v iše v arijab li,
u p rav o o n a k o k ak o sm o d e fm isa li n a čin n a sta n k a in d iv id u a ln ih razlik a. Z b o g toga
se m u ltiv a rija tn a a n a liz a m o že n a zv a ti a n a lizo m ind ivid u a ln ih razlika.

10. Slučaj i veze između pojava - koreiacija

K a k o se stv a rn o o d v ija p ro c e s z ak lju čiv an ja n a o sn o v u in d iv id u a ln ih

razlik a? U n a u k a m a o p o n a ša n ju je p o z n ato d a in d iv id u a ln e ra zlik e u ra zlič itim
Ijudskim p o n a ša n jim a k o re lira ju (u sta tistič k o m sm islu ). Z am islim o npr. da
zn am o šta č in i z a d o v o ljstv o p o tro ša ča v o č n im jo g u rtim a i da to z ad o v o ljstv o
m o žem o p o tp u n o ta č n o izm eriti. M o ž e m o o n d a zam isliti k a k o izd v ajam o je d a n
siu č ajan u z o ra k iz p o p u la c ije Ijudi i p rim e n ju je m o n a n jeg a dva ra zlič ita , ali
p o tp u n o ta č n a (j^ouzdana) in stru m e n ta z a m eren je z ad o v o ljstv a. K a k v a bi bila
k o re la cija p o d a ta k a d o b ije n ih p o m o ću ta d v a in stru m e n ta? Je d in ič n a, odn o sn o
savršena, je r b i na sv a k o m in stru m e n tu svaki isp ita n ik dob io isti skor. T aj b i nalaz
zato bio tr iv ja la n , j e r k o re la cija j e n a m e n jen a slu č ajn o m tip u p o v e z a n o sti, a ne
fu n k cio n aln o m .
S tv a m o sta n je stv a ri o d stu p a o d o v o g u o b a aspekta: ne zn am o p o tp u n o
tačno šta čini z a d o v o ljstv o (iako svaki stav, n a če ln o , d efm išem o k a o k o m p o zit
intelekta, em o c ija i v o lje ) i - ne m o že m o ga tačn o m eriti. D akle, ne bi se m oglo
d esiti (o sim sh ič ajn o ) d a n a o b a in stru m e n ta isp itan ici sistem atsk i d o b ija ju isti
skor, n iti bi n ek i, b ilo k a k av u z o ra k Ijudi n a o b a in stm m e n ta m o g a o im ati
p o tp u n o (sta b iln o ) id en tiča n skor.
U stv a m o sti, izm eđu o v a d v a in stru m e n ta ko ji su n a p rav ljen i da n iere je d n u
te istu stv a r m ogli b ism o o č ek iv ati d a ćem o d o b iti (relativ n o ) v iso k u icoreiaciju.
K ad a u p ra k tičn o j situ ac iji p rim e n im o d v a in stru m e n ta n a je d n o m slu č ajn o m

F riedricha G aussa.
uzorku ispitanika, dobićemo rasipanje rezultata i na jednom i na drugom instru-
mentu, koje je rezultat slučajnih pojava (individualnih razlika iz sva tri izvora).
Statistika nas u toj naizgled teškoj situaciji pretvara iz gubitnika u dobit-
nike, jer nam omogućava da izračunamo korelaciju. U tumačenju izvora te kore-
lacije postoje dve mogućnosti.

• Prva mogućnost je da se razlozi za korelaciju kriju u nepoznatim kauzalnim

lancima koji su uticali na pojavu rasipanja rezultata na obema varijablama.
Naime, ako posloji korelacja između odgovora na dva m enia instrumenta, može-
mo smatrati da izn te korelacije stoji jedan ili više kauzalnih lanaca koji su udru-
ženo delovali na merenje sa oba instrumenta i koji čine da ti odgovori nisu
nezavisni. To je reformulacija Millovog i Reichenbachovog principa „zajed-
ničkog uzroka” - da pojave koje koreliraju verovatno imaju zajednički uzrok, s
time što smo dodali plural: zajedničke uzroke.
U ovoj situaciji statistička korelacija dve varijable uvek ukazuje na posto-
janje jednog ili više kauzalnih lanaca (uzroka) koji su zajednički tim pojavama i
koji dovode do uzajamnog rasipanja. Pošto su individualne razlike odieci delova-
nia latentnih seneratora, kad utvrdimo da između dve osobine postoii korelaciia.
zaključuiemo da te osobine imaju jedan ili više zaiedničkih izvora. Ovde pod
„osobinom” podrazumevamo tzv. manifestnu osobinu, odnosno ponašanje koje
smo neposredno merili. U istraživačkom žargonu to se naziva (manifestnom)
varijablom.
U naukama o ponašanju je ovakav način zaključivanja o korelaciji vrlo
čest. Dobijena korelacija znači da na obe osobine sinhrono utiču neke dublje
pojave, koje su ostale van našeg merenja, ali koje su ustvari osnovni predmet inte-
resovanja istraživača. Pod sinhronijom ili sintonijom podrazumevamo istosmemo
delovanje tih latentnih varijabli na ponašanje svih objekata. Koristeći statističku
analizu kovariranja individualnih razlika nastojimo da otkrijemo razloge i uzroke,
odnosno objašnjenje povezanosti manifestnih pojava.

• Druga moguća interpretacija korelacije je da đo nje dolazi zato što između

dve varijable postoji delimičan odnos uzroka i posledice. Delimičan u tom smislu
što jedna varijabla ne izaziva sama drugu, nego u sadejstvu sa jednom ili više
drugih varijabli. Zato uočena povezanost nije funkcionalna, nego statistička. Isto
tako, nezavisna varijabla može da ne uzrokuje zavisnu direktno, nego može
delovati preko jedne ili više medijatorskih varijabli, koje su neposredni uzroci
zavisne varijable. U ovoj knjizi biće opisane neke od mnogih takvih konfiguracija
varijabli (v. npr. medijatorske i moderatorske varijable). Ako želimo da izbegne-
mo teraiine uzroka i posledice, rekli bismo da se koretacija dve varijable može
objasniti time što je jedna varijabla delimičan izvor drugoj.
Na primer, ako ustanovimo korelaciju izmedu prosečne dužine dnevnog
gledanja televizije i nekog stava X, možemo da smatramo da televizija utiče na
fomiiranje takvog stava, tj. da je njegov uzrok (kulturolozi i komunikolozi su u
žustroj polemici oko toga da li mediji utiču na formiranje stavova (Baćević,
2004), ali primer je, kao primer, validan).

Mnogi smatraju da su ovo dva vrlo različita sveta i da oličavaju različite

„istraživačke paradigme”. Prva paradigma se posebno primenjuje u tzv. struktu-
ralnim istraživanjima (v.), kada želimo da otkrijemo šta se nalazi iza manifestnog
ponašanja i šta je njegova suština. Druga se koristi kada tražimo medusobne
uticaje, razloge i uzroke pojava, tj. kada se bavimo kauzalnom analizom ili
predikcijom.
U našem pretliodnom primem, logično je da ćemo korelaciju između dva
instrunienta koji mere zadovoljstvo voćnim jogurtima protumačiti tako da potiče
od izvesne osobine (npr. emocije). Smatraćemo da je emocija prijatnosti zajed-
nički izvor individualnih razlika na obe varijable. Tako nam je korelacija između
dva skupa odgovora omogućila zaključak o postojanju jedne nevidljive osobine.
Pogledajmo jedan drugi jednostavan primer, primer korelacije između plate
i pola, U većini društava ta korelacija postoji u tom smislu da muškarci imaju
veće plate. Naravno, ne može se reći da postoje neki zajednički generatori koji
uslovljavaju i pol i platu. Generatori koji uslovljavaju pol su se desili davno,
mnogo pre nego što je jedinka počela da prima platu. Zato bismo ovu korelaciju
verovatno tumačili drugom varijantom objašnjenja korelacije. Medutim, ako bi se
radilo o korelaciji između izbornih preferencija (glasanja) i plate (koja takode
može da postoji), onda bi umesno bilo tražiti zajedničke izvore obe varijable, tj.
koristiti prvi tip objašnjenja korelacije.

E. Teorija merenja

Istorija merenja je veoma duga. Prvi materijalni dokazi o postupku merenja

se odnose na merenje dužine i težine u smislu standardizacije mernih skala u
trgovini. Primer je egipatski lakat koji potiče još iz 3000. godine p.n.e. i koji je u
početku bio prosto defmisan kao dužina mke od lakta do vrha prstiju. Pošto je ta
antropometrijska varijabla varirala izmedu 43 i 53 cm, kasnije je carskim ukazom
napravljen standard u cmom granitu sa kojim su niorali biti uporedivani niemi
štapovi u čitavom carstvii.
Lako je pretpostaviti da je merenje dužine i težine (mase) moralo biti veoma
prisutno tokom izgradnje puteva, mostova, hramova, piramida i drugog, a merenje
vremena nije bilo ništa manje važno nego danas, osim m ožda što su jedinice
merenja bile krupnije. Medutim, teorijski rad na merenju i defmisanju veličine
kao apstraktne kategorije smatra se da je počeo sa Euklidom, otprilike u IV veku
p.n.e. u njegovim Elementima.
 Kasnije se ta potreba, da se merenje definiše na apstraktan, principijelan i
univerzalan način širila i dobijala na snazi, paralelno sa izučavanjem jedne nepri-
jatne pojave koja prati svako merenje - grešaka merenja. Današnja teorija
merenja je široka oblast koja se oslanja na matematiku, formalnu logiku, teoriju
brojeva, teoriju skupova, teoriju tipova i slične fomialne discipline, sa jedne
strane i na zalcone i objekte stvamih nauka, sa druge.
Sa matematičke tačke gledišta, teorija nije valjana ako nije aksiomatizova-
na. Dobra matematička teorija mora biti potpuno izvedena iz formalnih aksioma,
jer sanio u tom slučaju predstavlja potpun deduktivan sistem, a svojstva koja
teorija predvida mogu se izračunati (v. uvodna poglavlja knjige). To je pravilo
svih fonnalnih sistema i ono ne podrazumeva da je teorijski model tačan. Ipak,
zbog namene ovog teksta, nastojaćemo da što je moguće više smanjimo učešče
matematičkog jezika u korist prirodnog jezika.
Formalna teorija merenja se začela krajem XIX veka i dobila današnji obhk
tokom 30-tih i 40-tih godina XX veka u radovima mnogih fizičara, logičara i
psihologa. Dva veoma važna imena iz tog perioda, koja ćemo ovde spomenuti, su
Nomian Campbell, fizičar, i Stanley Smith Stevens, psiholog. Porcd njih, još
veliki broj značajnih autora iz razhčitih posebnih naučnih discipUna doprineH su
da teorija merenja dostigne današnji nivo razvijenosti.

1. Pretpostavka kvantitativnog svojstva

Mnogi teoretičari merenja smatraju da je preduslov svakog merenja da

postoji kvantitativno svojstvo. Ipak, oko tog stava postoji dosta nesporazuma i
sporenja. Zašto jc zahtev da preduslov merenja mora biti postojanje kontinuirane
kohčinc, odnosno svojstva, tako sporan? Naravno, zato što nauke o ponašanju
imaju dosta problema da dokažu da su svojstva kojima se one bave kvantitativna.
Kako demonstrirati da je hbido takvo svojstvo, ili patrijarhalnost?
Sva je prilika da je definicija kvantitativnog svojstva kao preduslova
merenja „fundamentaHstička”, suviše radikahia i suviše formahia ako sc bazira na
algebarskim, tj. detcrminističkim aksiomima. Aksiomatski pristup odgovara
fizičkom mcrenju, dok društvcnim naučnicima šanse rastu ako se na teoretska
pitanja u oblasti merenja gleda probabiHstički, odnosno statistički. Kaže se da u
probabilističkom smishi pojedinačna merenja u naukama o ponašanju ne zado-
voljavaju ključne aksiome, aU proseci mnogih merenja mogu da zadovoljavaju.
Postojc i druga teorijska rešenja i stavovi koji idu na ruku merenju u empirijskim
naukama o ponašanju (v. poglavlje o kombinovanommcrenju). Statistički pristup,
koji uvodi i greške mercnja u teoriju merenja, dovodi do „prljanja” aksiomatskih
teorija i zato ga tcoretičari mcrenja ranije nisu koristili.
 2. Uspostavljanje povezanosti između sveta i znakova

Norman Campbell je autor koji se najčešće spominje u kontekstu teorije

merenja, na osnovu njegove knjige Physics, The eiements, objavljene 1920.
godine Kembel, kao i drugi teoretičari merenja nakon njega, striktno razlikuje
„merenje koje se defmiše kao konstrukcija skale” od „merenja koje se defmiše
kao upotreba skale nakon što je konstruisana”. Jedna i dmga defmicija, ako se
koriste uzajamno i u isto vreme, mogu dovesti do prilične konfuzije oko toga šta
je merenje i šta su problemi merenja.
Pogledajmo poznatu klasičnu defmiciju merenja;
hđerenje j e postupalc laojim se mereni objekt upoređuje sa standardriom
skalom.

.lasno je da se ona u Campbellovom smislu potpuno odnosi na primenu

gotove skale. Postupak primene skale, tj. postupak merenja, može biti veoma
prost, ili veoma složen, u zavisnosti od toga šta se meri, ali u sebi nosi prven-
stveno problematiku „vršenja merenja” koja je potpuno različita od problematike
konstrukcije standardne skale. M erenja u fizičkom svetu, koja su poznata široj
javnosti, uglavnom su rutinska i sastoje se od upotrebe standardizovanih, manje
ili više sofisticiranih instrumenata, pa zbog toga, ako se merenje defmiše
klasično, kao „primena skale”, suština i problematika merenja ostaje sakrivena. U
društvcnima naukama nije ništa manje važno da se pažljivo odnosimo prema ova
dva načina glcdanja na merenje.
Po Campbeliu:
Merenje j e dodeljivanje numerala sistemima saglasno naučnim zakonima.
Campbell koristi izraz „sistem” da označi bilo koji objekt kojim se fizičari
bave. To može biti komad drveta, kamen, električna sijalica, delitelj napona,
posuda sa gasom ili bilo šta dmgo. Naučni zakoni se izvode iz relacija medu
sistemima, koje su utvrđene primenom izvesnih operacija, a s obzirom na izvesnu
veličinu, kao i propozicijama samog merenja.
Vrlo je važno obratiti pažnju na Campbell izraz numeral, koji, premda nije
potpuno u duhu našeg jezika, mora da ukaže na suštinsku karakteristiku
Campbellove teorijc fundam entalnog merenja. Naime, pod numeralom se
podrazumeva slovo, cifra, ili znak kojim se rnože pred.staviti broj. Numcrali su I,
2, 3,..., ali i A, B, C,... ili I, II, III,... ili /, #,...
Broj je nešto sasvim dmgo. Campbell ne elaborira pojam broja na način
teorije brojeva’ (jedne od fundamentalnih disciplina matematike i logike), ali niti

’ Russell i W hitehead defiiiišuprirodni broj pomoću pet sledećih aksioma: 1) 0 jcb ro j,

2) naslediiik svakog broja takođe je broj, 3) nijcdan od dva različita broja ne može imati
istog naslednika, 4) 0 nije naslednik nijednog broja i 5) ako 0 poseduje neko svojstvo i ako
to svojstvo poseduje naslednik bilo kog broja koji poseduje to svojstvo, onda svi brojcvi
imaju to svojstvo.
suprotno od toga, niti bitno drukčije od toga. On kaže da je broj diskrirninabilna
karakteristika sistema koja može biti merena isto kao i bilo koja druga diskrimi-
nabilna karakteristika.
Ova defmicija je vrlo slična Stevensovom pojmu „brojnosti” (numerosity)
koji ima ključnu ulogu i u Stevensovoj teoriji merenja. Stevens kaže: „Brojnost je
svojstvo koje defmišemo na osnovu određenih operacija koje smo izvršili na
grupi objekata”. Na primer, m ogućeje uspostaviti redosled grupa objekata (reci-
mo gomilica pasulja) s obzirom na brojnost (mmerousness) jednostavno tako što
ćemo posmatrati gomile pasulja i procenjivati koja je najveća, pa sledeća po
veličini i tako dalje. Posmatranje i upoređivanje su te operacije koje smo izvršili
na grupama objekata, ali je važno uočiti da je „brojnost” (veličina gomile pasulja)
ovde odredena kao subjektivna veličina (subjektivni broj), jer nismo stvamo
prebrojavali koliko zrna pasulja ima u gomilicama. Kasnije ćemo videti da je
skalu koja nastaje ovim dvema operacijama Stevens nazvao ordinalnom.
Stevens dalje nastavlja: „Znamo iz iskustva, međutim, da ćemo imati veću
pouzdanost ako poređamo gomile tako što ćemo sukcesivno odvajati po zrno
pasulja iz svake gomile, sve dok se jedna gomila ne isprazni. Tada, za svaku
gomilu 11 kojoj je ostalo bar jedno zrno ćemo reći da ima veću brojnost. ... Ako
odvajanje zma isprazni sve grupe istovremeno, njihova brojnost je jednaka...”
Stevens je rezultat ove operacija nazvao intervalnom skalom (v. kasnije).
Ovako definisana „brojnosf’ je „diskriminabilna karakteristika” koja se
niože izmeriti na Campbellov fundamentalan način (vidi kasnije), a poredak
sistema koji se može uspostaviti na osnovu tog inerenja će biti tačan i potpun.
Vidimo da se u osnovi, teorije Stevensa i Campbella poklapaju u pogledu
osnovne prirode broja i merenja. Međutim, prebrojavanje je, iako izgleda kao
najegzaktnija operacija merenja kontradiktomo i kasnije će o tome biti još reči.

3. Prvi i drugi Campbellov zakon merenja

Campbellova teorija merenja je, naravno, aksiomatska i kao takva se

zasniva na 11 aksioma koji defmišu fundamentalno merenje, a Campbell ih je
podelio u dve grupe koje je nazvao p)-vim i drugim zakonom merenja.
Prvi Campbellovzakon m ere n ja.- Campbell polazi od stare i opštepozna-
te svrhe merenja da se „pomoću merenja neke osobine mogu tako urediti sistemi
da oni budu u poretku veličine s obzirom na merenu osobinu”. Shodno Stevensu,
ovako konstmisanu skalu možemo zvati ordinalnoin. Bitne relacije koje moraju
da važe izmedu sistema razvrstanih pomoću ordinalne skale su asimetričnost,
tranzitivnost i jednakost.
Po Campbellu, relacija jednakosti je važna, iako je u ovoj fazi razvoja
teorije protivrečna. On koristi primer muškog nasledivanja gde „... nijedna dva
čoveka ne mogu imati sve iste pretke i potomke” za ilustraeiju teškoća oko
defmisanjajednakosti, odnosno nejednakosti. Međutim, bez relacijejednakosti ne
može se konstruisati aditivna skala, tj. ne može se meriti fundamentalno (v.
kasnije). Slobodno ćemo citirati prvi zakon merenja.
„Merenjem se mereni sistemi moraju, ii pogledu svojstva koje se meri,
razvrstati u poredak tako da svaki sistem mora biti > ili < ili = svakom
drugom, i mora biti = bar jednom drugom sistemu. Prvi zakon merenja je
iskaz da j e ovaj uslov ispunjen
Simbolima <, > i = označavamo relacije „veći od”, „manji od” i ,jednak”.
Nakon što je konstruisana neka skala saglasno prvom zakonu merenja, ostaje da
se sistemima dodele numerali. Pokazuje se da je dodeljivanje numerala vrlo oset-
Ijiva operacija i da pred merenje postavlja nove probleme. Postoji opšta saglas-
nost da su za ove svrhe najbolji numerali 1,2,3,.... Zašto? Zato što postoji dobro
utvrđena konvencija da je 1<2<3 itd. Slična konvencija postoji i za A<B<C..., ali
ne i za *, /, #..., pa bi se za takav niz numerala morala defmisati konvencija da je
*</<#...
M ohsova skala tvrdoće m in e rala .- Medutim, u bilo kom nizu numerala ne
postoji reiacija jednakosti =, nego po konvenciji postoje samo tranzitivne i
asimetrične relacije < i >. To postavlja pitanje kako izvršiti dodeljivanje numerala
nizu sistema između kojih postoji relacija =. Za ilustraciju problema na koji
nailazi dodeljivanje nimierala obično se koristi klasični primer skale tvrdoće
minerala. Autor te skale, Mohs, verovao je da unutar njegove skale važe relacije
< > i =, ali su kasnija istraživanja to opovrgla.
Kako je Mohs konstruisao skalu? Za ordinaiiziranje minerala po tvrdoći
iskoristio je relaciju „može da ogrebe”, a operacija pomoću koje se ta relacija
utvrdivala je bila prosto da se pokuša da li jedan mineral može da ogrebe dmgi.
Mohs je odabrao 10 minerala kao predstavnike 10 karakterističnih tačaka na skali
i tim mineralima dodeho numerale 1 do 10. Mineral 1 je mogao biti ogreban
svakim drugim rnineralom, a mineral 10 nije mogao biti ogreban nijednim dru-
gim, a mogao je da ogrebe svaki dnjgi.
Kasnija ispitivanja skale su pokazala sledeće stvari; a) mikroskopsko
merenje dubine ogrebotina i merenje količine opiljaka nakon stniganja je utvrdilo
da je intei'val (razlika) u tvrdoći izmedu minerala 9 i 10 veća nego između 1 i 9 i
b) iako je utvrdeno da neka dva minerala oba mogu ogrebati jedan dmgi, ili
naprotiv, ne mogu ogrebati jedan dmgi, čime je dokazan treći Campbellov
aksiom, ti minerali ispoljavaju različite tvrdoće prema trećem mineralu, što znači
da nisu dokazani aksiomi IV i V, pa dakle, ne postoji ni relacija = (Fajgelj, 2005).
N a osnovu nalaza b) - nepostojanja relacije = - Campbell je zaključio da
Mohsova skala tvrdoće minerala ne proizvodi veličinu u smislu mere. Prvi nalaz,
a), drastično je ukazao na pitanje odnosa numerala i brojeva. Naime, numerali 1,
2, 3,... nas neodoljivo asociraju na brojni niz i na primenu aritmetike u kojoj je
1+1=2, 2+2=4 itd. Ovi numerali, kad se koriste u aritmetici predstavljaju tzv.
objektivne brojeve (za razliku od Stevensove brojnosti koja može biti subjektivan
broj) koji se odlikuju jednakošću intervala.
 Drugi Campbellov zakon merenja - Sada je jasno da će merenje biti
„najbolje” ako dodeljeni numerali budu brojevi. Campbell je to jednostavno
formulisao tako da rezultat merenja mora da bude takva mema skala čije mere će
se moći sabirati. Aditivnu ska lu ]t on defmisao pomoću operacije adicije pomoću
koje se mogu kombinovati veličine dva = sistema da bi se dobili sistemi koji su <
ili >. Campbell je operaciju adicije formalno defmisao u okviru dnigog zakon
merenja.
„Iskaz da su ovi uslovi ispunjeni primenom bilo koje predložene metode
adicije defmisane sa + i (), na sisteme koji poseduju veličinu defmisanu sa
<, > i = ,je drugi zakon merenja dotične veličine".
Simbolima + i () su defmisane operacije, za razliku od simbola <, > i =
kojima su defmisane relacije. Operaciju + treba razlikovati od algebarske operaci-
je sabiranja brojeva; ovde se odnosi na sabiranje sistema. Operacija () daje kao
rezultat jedan sistem koji je jednak sumi sistema unutar zagrada. Simbol A'
označava sistem koji je distinktan od sistema A, ali na istom stepenu veličine koja
se meri. To su, dakle, dva različita sistema, ali je njihova mera ista, pa se može
napisati A=A' i - što je još važnije - mora im se dodeliti isti numeral. Dakle, ako
postuliramo da medu našim sistemima mogu postojati bar dva koja su = (po mere-
noj osobini), onda možemo prevazići nesaglasnost skupa sistema i skupa nume-
rala (koji su svi različiti) - jednakim sistemima možemo pripisati isti numeral.
Pored ove argumentacije, aditivnost skale se može demonstrirati i nizom
drugih važnih svojstava koje mora da poseduje fundamentalno merenje. Zasada
mislimo da je dovoljno rečeno o načinu rezonovanja u formalnoj teoriji merenja
da bi zainteresovani čitalac mogao da je razume.

4. Fundamentalno i izvedeno merenje

Sa svojih 11 aksioma Campbell je potpuno defmisao ono što je on nazvao

fundamentalnim merenjem i to pomoću dva zakona merenja. Možemo reći da prvi
zakon defmiše pravila poretka odnosno ordinalizacije, a drugi zakon defmiše
aditivnost koja je neophodna da bi se na dodeljenim numeralima mogla prime-
njivati aritmetika. Campbell stalno insistira na razlici između „sveta” i „znakova”,
tj. između sistema i numerala (v. kasnije o reprezentacijskim teorijama merenja).
Pri tome, takva dodela numerala koja bi rezultirala brojnom skalom, pogodnom
za aritmetičke operacije, je tek cilj, pogodnost i prednost, ali ne preduslov mere-
nja uopšte. Dodeljivanje numerala sistemima samo po sebi ne opravdava eventu-
alnu kasniju primenu aritmetike.
Skala koja se konstruiše tako da zadovoljava oba zakona merenja daje kao
rezultat A-veličinu, kako ju je zvao Campbell, odnosno fundamentalnu vehčinu
kako se još naziva. Kada je merenje takvo da daje A-veličine, onda se operacija +
jednako može primeniti i na dodeljenje numerale, kao i za sisteme.
 Postoji još jedna velika i značajna grupa veličina koje se zovu B-veliči-
nama, iii deriviranim veličinama. One se mere pomoću A-veličina jer se ne mogu
meriti direktno i to zato što se operacija sabiranja + ne može praktično sprovesti
na merenim sistemima.
Primeri za B-veličinu su gustina materije koja se računa kao masa/zapre-
mina. Masa i zapremina su A-veličine, dok gustina nije direktno merljiva.
Međutim, svojstvo gustine tečnosti je uočeno odavno i Campbell je pokazao da se
skala gustine može konstruisati pomoću relacije „pliva na” i operacije sipanja
tečnosti jedne preko dmge. Dobiće se relacija koja je tranzitivna, jer ako A pliva
n a B ,a B na C, onda će i A plivati na C. Takode, relacija je asimetrična, jer ako A
pliva na B, onda B ne pliva na A, a defmisana je i jednakost sistema time da
nijedna tečnost ne pliva na drugoj konstantno.
Kada se tečnosti poredaju na osnovu ovog „zakona plivanja”, dobiće se
poredak koji je identičan poretku koji je dobijen izračunavanjem odnosa masa/
zapremina. Zbog raznih razloga, npr. između ostalog zato što gustina zavisi od
temperature i pritiska, nijedna skala gustine ne zadovoljava oba zakona, tj. nije
striktno aditivna. Medutim, za praktične potrebe, jednostavnim i rutinskim mere-
njem mase i zapremine kao A-veličina, možemo dobiti tačnu poziciju dotične
tečnosti na skali gustine.
Drugi prirner je merenje temperature. Temperatura se konvencionalno
uzima kao primer veličine koja nije aditivna i mnogi je defmišu kao „stanje
objekta zahvaljujući kojem on može izgledati hladan ili topao na dodir”, dakle
kao subjektivni broj. Međutim, postoji obilna empirijska evidencija o vezi
svojstva temperature i drugih merljivih svojstava kao što su dužina objekta i
električna provodljivost.
Da bi se temperatura izmerila kao B-veličina potrebno je, dakle, izabrati
neko merljivo svojstvo koje simultano varira sa temperaturom. Ako je to svojstvo
merljivo kao A-veličina i ako se može postulirati zakon po kome se temperatura
povećava u tačno odredenim iznosima sa povećanjem dotične A-veličine i ako
poredak sistema po dodiru i po A-veličini korespondira, onda možemo smatrati da
smo konstruisali valjanu skalu za merenje temperature kao B-veličine. Primer za
ovo je običan živin termometar u kome se koristi stabilan (ali ne konstantan i ne
uvek linearan) odnos zapremine žive i temperature.

5. Problem aditivnosti

Tokom najžešće diskusije između fizičara i psihologa u Britanskom udru-

ženju za razvoj nauke (u čuvenom Fergusonovom Komitetu), malo po malo se
učvrstilo pogrešno uverenje da „aditivnosf’ znači zapravo „fizičku juksta-
poziciju”. Počelo je verovatno od Kembelovog objašnjenja da se adicija dužine
dva štapa postiže tako što se štapovi nastave jedan na drugi. Takav način sabi-
ranja, koje se zasniva na fizičkom povezivanju (jukstapoziciji), proširen je
primerima težine sa stavljanjem dva predmeta na isti tas vage, električnog otpora
sa povezivanjem otpomika na red itd. Na testu „aditivnosti” su u to vreme
psiholozi i naučnici iz društvenih disciplina potpuno razočarali.
Kasnije analize su pokazale da je shvatanje adicije kao fizičke jukstapozi-
cije u najmanju ruku protivrečno. Da li je aditivna fizička jukstapozicija dužine
štapova ako dva štapa nastavimo pod uglom od 90°, ili ih stavim o jedan pored
drugog? Tegovi se ne moraju stavljati na tas vage jedan pored drugog, nego se
jedan može obesiti koncem da visi ispod tasa. Otpomici u strujnom kolu se mogu
vezati paralelno jednako kao serijski. Nigde u Campbellovom radu, niti u kasni-
jim radovima drugih autora nije bilo eksplicitno objašnjeno šta se podrazumeva
pod „adicijom” (sabiranjem). Campbell je često koristio term in „kombinacija
sistema” i iz njegovih tekstova se može zaključiti da je on predviđao mogućnost
vrlo različitih operacija koje mogu rezultirati zbirom veličine. Sve u svemu, sama
operacija adicije „+” nije aksiomatizovana, ali se u prirodno-naučnom merenju,
od slučaja do slučaja, ona mogla precizno defmisati. Aditivnost se može smatrati
kao formalni preduslov flindamentalnog merenja, ali ona nije nigde data sama po
sebi i stvar je razvoja nauke i tehnologije merenja kada će biti sm išljene operacije
koje daju aditivne mere. Neki misle da su fizičari zaključili kako se aditivnost
može prosto postići fizičkom blizinom objekata zato što su mnoga njihova
merenja u to vreme tako funkcionisala. U osnovi, medutim, fizička blizina nije
recept za postizanje aditivnosti.

6. Kombinovano merenje

Pošto se Kcmbclova aditivnost nije mogla svesti na fizičku jukstapoziciju,

došlo se do „neutralnog” termina - konkatenacije. Taj termin se koristi da označi
spajanje svojstava ili mera, ne prejudicirajući nikakvu konkretnu operaciju kojom
se vrši to spajanje. Problem aditivnosti merenja, kao preduslov fundamentalnog
merenja, i sljedstveno tome, kvantiiativnog merenja, nastavio je da okupira
teoretičare merenja. Polovinom XX veka bilo je više autora koji su se bavili
aditivnošću, odnosno konkatenacijom. Ključni prodor u razrešavanju problema
aditivnosti kao preduslova za kvantitativno merenje, učinjen je sa tzv. teorijom
kombinovanog (eng. conjoint) merenja, koju su aksiomatizovanom obliku dali
Luce i Tukey 1964. godine.
Model Lucea i Tukeya predstavlja aksiomatizaciju p rem a kojoj, ako
aksiomi važe, izmerena zavisna varijabla i dve ili više nezavisnih varijabli mogu
biti simultano (odatle naziv „kombinovano”) reprezentirane na intervalnoj skali sa
zajedničkom jedinicom merenja, ukoliko se pogodno transform išu i povežu
odgovarajućom funkcijom. To znači da se aditivna reprezentacija može postići
bez empirijske operacije konkatenacije.
Kombinovano aditivno merenje omogućava da se analiziraju skupni efekti
nezavisnih varijabli na zavisnu varijablu i to tako da mere tih efekata budu na
intervalnom nivou merenja. Pri tome, originalne varijable m ogu biti na ordinal-
 nom nivou merenja, parcijalno ordinalne (uključujući i slabi poredak - jednake
rangove), ili mogu biti kategorijalne, nepotpune itd.
Luce i Tukey su koristili prirner merenja glasnoće zvuka. Subjektivna
glasnoća zvuka zavisi od frekvencije (visine) i intenziteta tona. Stevens nije
raspolagao teorijskim okvirom u kome bi te dve fizičke varijable, intervalno
merene, mogao kombinovati tako da đaju intervalnu meru glasnosti. To je bio
jedan od razloga zašto su u Fergusonovom komitetu zaključili da psihološko
merenje nije fundamentalno. Subjektivna glasnost, dobijena ocenjivanjem od
strane ispitanika, nalazi se na ordinalnom nivou merenja. Luce i Tukey su, među-
tim, pokazali da se kombinovanim aditivnim merenjem ona može pretvoriti u
intervalnu: ako se frekvencija i intenzitet eksponenciraju intervalna glasnost će se
dobiti njihovim množenjem.
Aksiomatski gledano, kombinovano aditivno merenje počiva na nekoliko
manje-više teluiičkih postulata, kao što su, na primer, rešivost i Arhimedov uslov.
Danas se smatra da su ključni uslovi kombinovanog merenja iednostniko i dvos-
truko uravnoteženie (engl. single i double cancellation). Jednostruko uravnote-
ženje karakteriše kombinovano merenje i zahteva da poredak objekata po bilo
kojoj od nezavisnih varijabU bude jednak, nezavisno od nivoa ostaUh varijabli.
Dvostruko uravnoteženje karakteriše kombinovano aditivno merenje i zahteva da
vrednost zavisne varijable raste skupa - kombinovano - sa porastom vrednosti
nezavisnih varijabli.
Pojednostavljeno rečeno, cilj kombinovanog merenja je da se otkrije
kombinaciona funkcijaj^=y(.Xy). Simbol Xj označava sve nezavisne varijable uzete
zajedno, a y. ocenu zavisne varijable y koja nastaje kao kombinacija transfor-
misanih nezavisnih varijabli. F u n k cija /^ ,) mora biti takva da vrednosti y. i Xj
zadovoljavaju uslove jednostrukog ili dvostrukog uravnoteženja i da^- bude što
bolja o ce n aj. Model će biti aditivan ako je funkcija monotona. Ako su nezavisne
varijable Xj kategorijalne, funkcija se naziva klasifikacionom ili funkcijom dode-
Ijivanja. Funkcija očigledno podseća na regresionu ili bilo koju drugu lineamu
funkciju i dokazano je da više poznatih statističkih tehnika, minimalno modifiko-
vanih, može da posluži za njenu konstrukciju. To su monotona analiza varijanse
(MONANOVA), monotona regresija, multidimenzionalno skaliranje, optimalno
skaliranje, kanonička analiza kontingencionih tabela i sl. Danas se kombinovano
merenje koristi u okviru standardne tehnike za analizu podataka pod nazivom
kombinovana analiza (engl. conjoint analysis). Primenjuje se često u marke-
tinškim studijama zadovoljstva potrošača
U psihologiji, recimo, možemo da imamo neki test od 20 ajtema i da
„sposobnost” da se odgovori na te ajteme defmišemo kao latentnu crtu. Aditivno
kombinovano merenje nam omogućava da kombinujući ajteme (u testni skor)
izračunamo latentnu crtu. Kao rezultat kombinacije i odgovarajuće transfor-
macije, sve tri varijable - ajtemi, skor i crta - imaju probabilistički (statistički)
jednake intervale i aditivne jedinice merenja. U drugom psihološkom primeru,
postignuće na nekom kognitivnom testu (zavisna varijabla) može se izraziti kao
aditivni kombinovani učinak sposobnosti i motivacije. Teorija kombinovanog
merenja nam pokazuje kako možemo dobiti kvantitativni skor na postignuću ako
sposobnost i motivaciju merimo samo na ordinalnom nivou.
U psihologiji sii se modeli teorije ajtemskog odgovora - TAO (engl. Item
Response Theoi^ - IRT) veorna približili zahtevima fundamentalnog, odnosno
aditivnog merenja. Posebno se u tom smislu mora istaći Rašov model koji je od
svih psihometrijskih modela merenja najbliži teoriji merenja i sadrži fo iT n a ln e
elemente (aksiome) koji ga s njom izjednačavaju.

7. Merenje, skaliranje i nivoi merenja

Stanley S. Stevens je učinio enorman praktični i teorijski napor da merenje

afirmiše kao sastavni činilac empirijske psihologije. Njegova teorija merenja se
danas označava kao operacionalistička, za razliku od Campbellove i svih sličnih
teorija koje su reprezentacijske. Radi se o tome da je Stevens ostavio u nasleđe
uverenje da dobra defmicija mernih procedura-operacija dobro definiše dobijene
skale i samo svojstvo. Iz Stevensovog pristupa bi sledilo da ako definišemo skalu
stava prema abortusu Likertovog tipa kao intervalnu (npr. od l~uopšte ne
odobravam nasihii prekid trudnoće, do 5-potpuno odobravam nasilni prekid tru-
dnoće), onda smo time dokazali da je i sam stav - slično dužini ili težini ~ kvanti-
tativno svojstvo. Nasuprot tome, reprezentacijske teorije merenja, kao što je
Kembelova, ističu u pn'i plan razliku „sveta” i „znakova” i insistiraju na tome da
dodeljivanje znakova~numeraIa objektima samo po sebi ne garantuje da će oni
biti dobra reprezentacija sveta. Tek kad se dokaže da je reprezentovanje sveta
znakovima uspešno, mogu se operacije na numeralima uzeti kao zamena za
operacije na objektima. Procedura dodeljivanja numerala objektima, sama po
sebi, ne dokazuje kvantitativnost svojstva, niti aditivnost nierenja.

a. Šta su slcala i slcaliranje

Originahio značenje latinske imenice scaia, scaiae je lestvica oduosno

stepenište. Dakle, suština tog pojma je u graduiranosti, u definisanim stepenima
ili koracima, podrazumeva se jednakim. Termin „skala” se u našem jeziku koristi
na razhčite načine: skala radioaparata, notna skala, temperatuma skala itd,
Ako se podsetimo Stevensovih i Campbellovih shvatanja koja se odnose na
način dodeljivanja numerala i proces merenja, vidimo da se može dati sledeća
definicija.
Sicaliranje predstavlja način, odnosno metodologiju po kojoj se mimerali
dodeijuju objektima.
Rezuhat ovog dodeljivanja je slcala. McDonald kaže da je veoma zgođna
terminologija za proces skaliranja ona koja razlikuje posmatranja, tj. opažene
količine, od podataka - dodeljenih numeričkih vrednosti. Skahranje je onda
prosto konverzija posmatranja u podatke. Pojedinačni nivoi Stevensovih skala u
tom slučaju defmišu stepen do koga izmerena veličina korespondira brojnoj liniji
- od nominalne (uopšte ne) do racio (potpuno).
Po Barrettu skaliranje se može defmisati kao kodiranje empirijskih
posmatranja brojevima kako bi se reprezentirale veličine atributa/varijable, a na
osnovu datog skupa pravila ili aksioma koje će rezultati merenja morati da
zadovolje.
Važan pojam u skaliranju je metrika. Metrika nije ništa drugo do skup
numerala koji je dodeljen objektima, tj, posmatranjima. Na primer, skala može
biti u testnim skorovima, z-skorovima, percentiHma itd. U fundamentalnom
merenju, koje se odlikuje realnom nulom i jedinicom merenja, metrika skale je
prosto definisana brojem jedinica merenja. Na primer, skala za masu počinje od
nule, i nastavlje se u kilogramima, a konkretna veličina se iskazuje brojem
jedinica.
U udžbenicima se skale često dele na kontinuirane i dish-etne. Kontinuirane
merne skale mogu imati bilo koju vrednost sa racionalnog brojnog niza (celi i
razlomljeni brojevi), dok diskretne skale mogu imati samo celobrojne vrednosti,
ili se mogu zasnivati na nekim drugim numeralima, tj. uopšte ne moraju biti
numeričke.
Usko povezano sa podelom kontinuirano-diskretno je i pitanjepreciznosti,
koje se, manje-više, odnosi samo na kontinuirane skale. Naime, dužina je
kontinuirano svojstvo, pa je i merna skala u metrima kontinuirana, ali svaki
konkretan memi uredaj ima neke konačne merne intervale, podeljke ili stepenike.
Očitavanje dužine nekog predmeta (pa prema tome i samo merenje) koja pada
između dva podeljka je subjektivno i predstavlja konstantan izvor greške. Ako je
lenjir baždaren u milimetrima, onda se olovka čija je dužina između 110 i 111
mm neće moći tačno izmeriti.

b. Stevensova četiri nivoa m erenja

Najpoznatiju klasifikacijii mernih skala i njihovih svojstava je dao Stevens

sredinom XX veka, podelom na četiri nivoa merenja. Danas se često ta podela
navodi bez imena autora, jer se verovatno smatra da je konceptualizacija prirode
koja je proistekla iz Stevensove kategorizacije postala „opšte vlasništvo” i „opšte
mesto” teorije merenja u naukama o ponašanju. Stevensova kategorizacija, u
njegovoj početnoj interpretaciji i svim kasnijim dopunama i elaboracijama se
pokazala kao jedno od retkih dostignuća teorije merenja koje je blisko i razum-
Ijivo nematematičarima.
Stevens je u svojim kasnijim radovima formalno defmisao nivoe merenja
putem dozvoljenih transformacija. Dozvoljene transfoiTnacije su one transfor-
macije merne skale koje čuvaju relevantne odnose u procesu merenja. U primeru
merenja dužine štapova, promena jedinice merenja (npr. iz centimetara u inče)
predstavlja obično množenje svih mera nekom konstantnom veličinom. Ovo
množenje ne menja relacije „veće od” ili „duže od” koje su prethodno uspostav-
Ijene među objektima, kao ni rezultate koje se dobijaju operacijama adicije,
odnosno konkatenacije. U ovom slučaju je, dakle, promena meme jedinice
dozvoljena transformacija. Konkretno, poredak štapova po dužini će ostati isti
bilo da ih merimo u centimetrima ih inčima, kao što će štap koji je bio dva puta
duži od nekog drugog štapa ostati takav i u novim jedinicima.
Klasična četiri nivoa merenja se mogu defmisati na sledeći način:

Nominalni
• Dvama objektima će biti dodeljen isti numeral ukoliko oni poseduju istu
vrednost atributa.
• Dozvoljene transfomiacije su bilo koje jedan-u-jedan ili mnogo-u-jedan
tranformacije; imajuću u vidu da kod mnogo-u-jedan transformacija dolazi
do gubitka informacija.
• Primeri: numerisanje fudbalskih igrača, numerisanje opština poredanih
azbučnim redom, zatim npr, l=ateist, 2=pravoslavac, 3=katolik itd.
Ordinalni
• Objektima će biti dodeljeni numerali tako da poredak numerala odražava
poredak defm isan relacijom poređenja prisutnosti atributa. Dvama
objektima X i 7 sa vrednostima atributa a{X) i a(Y) biće dodeljeni brojevi
m{X) i m(Y) tako da ako je m{X) > m{Y) bude i a{X) > a{Y).
• Dozvoljene transformacije su sve monotono neopadajuće transformacije, pri
čemu kod transformacija koje nisu striktno monotono rastuće dolazi do
gubitka informacija.
• Primeri: Mohsova skala tvrdoće minerala, rangiranje hotela brojem
zvezdica ili putem kategorija A, B, C,..., brzina sedimentacije krvi kao mera
intenziteta oboljenja.
• Napomene:
1. U matematičkoj realizaciji statističkih metoda za obradu ordinalnih
varijabli pojavio se problem kada više objekata ima isti poredak/rang (engl.
ties). Uprkos tome što Campbellov prvi zakonm erenjapotpuno sankcioniše
takav slučaj, ovaj matematički problem je morao posebno biti rešavan, a
skala koja ima ties se često naziva „slabom ordinalnom”.
2. Premda su ovde u dozvoljene transformacije svrstane samo monotono
neopadajuće, koje čuvaju poredak objekata (,,od najmanjeg do najvećeg”),
negde se navodi da su dozvoljene i monotone nerastuće, koje poredak
objekata izokreću („od najvećeg ka najmanjem”), ali se tako dobijene skale
nazivaju inverznim.
Intervalni
• Objektima se dodeljuju brojevi tako da razlike izmedu brojeva reflektuju
razlike u stepenu prisustva svojstva. Služeći se primerom iz ordinalnog
nivoa i dodajući dva objekta U i V, za intervalni nivo mera mora važiti da
ako m{X) - m{Y) > m{U) - m{V), onda mora biti i a{X) - a{Y) > a{U) - a{F).
• Dozvoljene transformacije mogu biti bilo koje tzv. afme transformacije
t{m) = c^m + d, gde su c i konstante. Prostim jezikom rečeno: početak
(nula) i jedinica merenja su na intervalnom nivou merenja proizvoljni.
• Primeri: temperatura u stepenima Celzijusa ili Farenhajta, kalendarski
datum.
Racio'”
• Objektima se dodeljuju brojevi tako da razlike i razlomci izmedu brojeva
reflektuju razlike i razlomke između vrednosti svojstva.
• Dozvoljene transformacije su bilo koje linearne (slične) transformacije
t{m) = c^m , gde je c konstanta. Na dmgi način rečeno, na racio nivou
merenja je jedinica merenja proizvoljna.
• Primeri: najbolji primer je temperatura u stepenima Kelvina. Primeri sa
dužinom neke stvari u centimetrima i trajanjem neke pojave u sekundama
su još samom Stevensu izgledali problem atični je r je u njima nula
problematična, Naime, nulta dužina se može defmisati kao nulto rastojanje
izmedu dve tačke, ali nije jasno kojem objektu se može dodeliti ta dužina.

Radi jednostavnosti, u literaturi se ova četiri nivoa merenja označavaju

skraćenicom noir, koja predstavlja francusku reč za cmo. Osimklasičnih nivoa, u
udžbenicima se navode i neki dmgi nivoi, kao što su aditivni, log-intervalni i
apsolutni (v. kasnije).
Što se tiče prosečnog istraživača ilmštva i Ijudskog ponašanja, prethodni
pasusi koji sadrže formalnu defmiciju Stevensovih nivoa merenja ne bi izazvali
mnogo pažnje, bez obzira što su precizni i potpuni. Ono što je ovu klasifikaciju
učinilo da preživi do danas, uprkos kritika, osporavanja i modifikacija, jesu
zapravo verbalni opis procedura merenja i primeri koji se obično uz njih daju.
Kao što je rečeno u prethodnini pasusima, opisi iprim eri Stevensovih nivoa mere-
nja su u stvari najh'aći kurs iz njegove teorije merenja.
Neki važni aspekti noir skala vide se iz sadržaja tabele 1, koja je originalni
Stevensov rezime njegovih mernih skala i njihovih osobina. Tabela je zanimljiva
jer u kratkim crtama svedoči o onome što je Stevens smatrao da su dotadašnji
razvoj i njegova razmišljanja ostavili u naslede nauci (iz datuma objavljivanja
tabele vidi se, naime, da je proteklo dosta godina od njegovih prvih radova o
teoriji merenja).
lako bi se ova tabela danas mogla dmgačije formirati i dmgačije popuniti,
važno je da se uoče neke bitne tačke koje je Stevens imao u vidu. Na primer,
nominalna skala je stalni izvor diskusije je r dodeljivanje numerala, kakvo je
Stevens predvideo u nominalnim skalama, u sebi nema ništa numeričko. Steven-
sov odgovor je bio da operacije identifikacije i klasifikacije, koje moraju da
prethode konstmkciji nominalne skale, mogu da se nazovu merenjem. Ali dode-

U našoj psihološkoj litcraturi uobičajeno je da se koristi termin „racio” je r postoji

problem pogodnog prevoda, koji uključuje i razne pretvorbe, npr. u pridev. Dolazilo bi u
obzir: količnik, razlomak, omer, proporcija, odnos...
Ijeni numerali nisu brojevi i ne mogu poslužiti za izračunavanje bilo kakvog
smislenog statistika, osim veiičine uzorka n.
Zanimljivo je i to što je sirove skorove sa psiholoških testova svrstao u
ordinahiu skalu, pa je čak i standardizovane skorove označio upitnikom. Smatrao
je očigledno, da ako su sirovi skorovi na ordinalnoj skali, onda računanje
aritmetičke sredine i standardne devijacije nije opravdano, a upravo to je potrebno
da bi se iz sirovih skorova izračunali z-skorovi,
Tabela 1. - Stevensova klasifikacija memih skala (1 9 5 9 )_________
Operacija Primcr Sredina | Dispcrzija | Asocijacija Test
NOMINALNA
Jednatco numerisanje igrača mod hi-kvadrat
ORDINALNA
Tvrdoća minerala,
Veće ili rang test znaka,
kućni brojevi, sirovi medijana percentili
manje korelacija run test
skorovi
IN T E R V A L N A
temperatura;Celzijusi, produkt-
aritmetička standardna Mest
Distanca položaj. vreme, moment
sredina devijacija F -test
standardni skorovi (?) korelacija
R A C IO
brojnost (numerosity),
dužina, gustina, gcometrijska
Odnos
položaj, vremc, srcdina, procenat
(razlomak,
temperatura rKelvini, harmonijska varijacijc
količnik)
gIasnost:soni, srcdina
svctlina:brili

Pošto je za distinktnu osobinu racio skala uzeo da imaju početak koga

defuiiše neka dominantna i relevantna teorija, morao je da razlikuje dve vrste
merenja dužine i vremena. Intervalno mereni vreme i prostor (dužina i položaj) su
oni koji se mere časovnieima i krojačkim metrima. Iste veličine se mogu iskazati
i na racio nivou, ali se onda moraju računati od momenta „velikog praska”, jer
današnja dominantna teorija o nastanku svemira predviđa da vreme i prostor
počinju baš u tom trenutku. Verovatno zato što je svoju klasifikaciju memih skala
smatrao hijerarhijskom, dužinu i vreme je svrstao kako u nižu, intervalnu, tako i u
višu, racio skalu (u zavisnosti od toga kako se gleda na problem nulte tačke).
Međutim, značajno je primetiti da se „prosek” (sredina) količnika (racija) ne
može predstaviti aritmetičkom sredinom, nego geometrijskom ili hamionijskom.
To je važna osobina racio skale, jer se njeni intervah ne iskazuju sabiranjem i
oduzimanjem susednih tačaka, nego innoženjem i deljenjem. Međutim, operacije
predvidene za jednu skalu (intei'valnu ili racio) se mogu koristiti na dmgoj skali
prostom konverzijom (na primer, logaritmovanjeni ili eksponenciranjem). Ta
činjenica čini veoma sumnjivom Stevensovu distinkciju između ovih skala.
 Stevens je eksplicitno defmisao brojnpst (prebrojavanje) kao racio skalu, ali
pod uslovom da broj 0 znači „nijedan”, a ne „nijedan više”, a da broj 1 znači
„samo jedan objekt”, a ne ,jo š jedan objekt”. Ova skalaje racio, ali ima i svojstvo
jednakih intervala pa se na njoj može primenjivati aritmetika intervalnih skala.
Nažalost, prebrojavanje daje odgovor na pitanje brojnosti (engl. how many), a ne
količine (engi. how much) i ne garantuje jednakost količina. Kod brojanja jabuka
isto se broje i male i velike jabuke. Na isti način se kod brojanja tačnih odgovora
na nekom kognitivnom testu jednako broje i laki i teški zadaci. Zato sirovi
skorovi, koji se dobiju na taj način, po Stevensu nisu „dospeli” dalje od ordinalne
skale. Kao što se postavlja pitanje da li broj jabuka može predstavljati količinu
jabuka, tako se postavlja pitanje da li sirovi skor može označavati nivo
sposobnosti ispitanika. To je samo jedna od protivrečnosti koje se sreću u domenu
merenja i to na mestu gde bi se najmanje očekivalo - na mestu merenja putem
prebrojavanja, koje se čini najjasnijom i najelementamijom operacijom dodelji-
vanja brojeva.

8. Z aključd o formalnoj teoriji merenja

Formalna definicija merenja koju danas možemo smatrati dominantnom

glasi: merenje j e dodeJjivanje numerala objektima shodno naučnim zakonima.
Odabrali smo izraz „numeral”, kako je objašnjeno u prethodnim poglavljima, zato
što je važno da se razume da se put od merenja do brojeva ne prelazi dodeljiva-
njem cifara objektima. Cifre se mogu dodeljivati igračima, ili se mogu dodeljivati
vojnicima postrojenim po veličini, ali to još uvek nisu brojevi, čak i ako se pišu
kao 1, 2, 3,... U teoriji mcrenja, to su numerali, baš kao što su i A, B, C,..., ili I, II,
III,...
Pojam objekta treba shvatiti veoma uopšteno. Campbell koristi termin
„sistem”, a mogu se sresti i tennini „pojava”, „veličina”, „stvar”, „objekt” itd.
Kad se radi o terminu „naučni zakon”; on potiče od Campbella, ali se često
koriste druge sintagme kao što su „strogo utvrđena pravila” ili prosto „pravila”. U
merenju se, ipak, najčešće koriste naučne teorije da bi se na osnovu njih
konstniisalo svojstvo koje se meri, da bi se utvrdile operacije i relacije merenja,
kao i korelacije merene pojave sa drugini pojavama. Zbog toga smo se opredelili
za izraz „naučni zakon”.
Klasična defmicija merenja, koja glasi; merenje j e upoređivanje nekog
objekta sa siandardom, odnosi se na primenu već gotovih skala. Campbellova i
Stevensova teorija merenja se odnose na konstrukciju memih skala, a ne na
njihovu primenu.
Prvi Campbellov zakon merenja glasi ukratko: merenje mora da omogući
da za svaki od izmerenih objekata možemo kazati da je manji, veći ili jednak u
odnosu na svaki drugi, i tvori ono što danas svi zovu (po Stevensu) ordinalnom
memom skalom. To je osnovni zakon merenja, jer je pi-vi zadatak merenja da
omogući svrstavanje objekata u redosled po nekoj osobini. Istraživači u oblasti
društvenih nauka ovaj zakon i ovaj zadatak mogu smatrati kako osnovnim tako i,
za praktične svrhe, dovoljnim.
Campbell je formuHsao drugi zakon zato da bi obezbedio numeričku priro-
du dodeljenih numerala, odnosno da numerali koje dodehmo objektima dobiju
status broja i budu dostupni aritmetičkim operacijama. Dakle, da 1, 2, 3,... ne
budu samo znakovi na papiru, nego da bude 1<2<3... i da bude 1+1=2. Skale koje
su konstruisane tako da zadovoljavaju dmgi zakon merenja su po Stevensovoj
klasifikaciji pi-venstveno racio skale, ali ponekad mogu biti i intervalne.
Oba Campbellova zakona se lako mogu demonstrirati na merenju dužine.
Recimo da imamo izvestan broj štapova čiju smo dužinu izmerili pomoću lenjira
i upisali je na samom štapu. Ako poredamo štapove po veličini na osnovu prostog
posmatranja, videćemo da dobijeni poredak potpuno odgovara poretku koji bismo
dobili da smo ih poredali po upisanim numeralima. Relacija > (veći) na brojevima
daje isti rezultat kao i operacija > (duži) na štapovima. Stap koji ima upisan naj-
veći numeral je istovremeno i najduži štap. No, to još nije dovoljno da bismo upi-
sane numerale tretirali kao brojeve. Ako spojimo dva štapa, tako da se nastavljaju
jedan na dmgi i ako sada izmerimo dužinu ovako dobijene kombinacije objekata,
ona će predstavljati zbir numerala koji su upisani na njima. U tom Irenutku može-
mo biti sigurni da smo merenjem pomoću lenjira izvršili dodeljivanje objektivnih
brojeva štapovima, tj. izvršili fundamentalno merenje (po Campbellu).
Mnogi smatraju da su zahtevi koje pred merenje postavlja drugi zakon
merenja, a posebno pojam aditivnosti kojim je ovaj zakon motivisan, suviše
„strogi” za najveći broj merenja u naukama o ponašanju. Iz takvog stava direktno
sledi procena da je sličnost mera koje se dobijaju u naukama o ponašanju i brojne
linije danas nedovoljna. Tačnije, da većina tih mera u suštini ne prevazilazi ordi-
nalni memi nivo. U psihologiji, naprim er, među rmiogim aproksimacijama nume-
ričkih skala koje se danas koriste najpoznatija je „metoda testnog skora” koja se
sastoji iz sabiranja odgovora na testu. Sabiranje odgovora na testnim stavkama
koje su različite težine nije dobra mera količine sposobnosti. Ovde je već
diskutovano o problemu prebrojavanja kao operaeije merenja (ali i vrste meme
skale). To zapažanje ide na ruku onima koji ne veruju u numeričko merenje u
naukama o ponašanju.
S druge strane, ozbiljne formalne analize „testnog skora” kao i praksa
upotrebe kazuju kako je on dovoljan skor i praktično upotrebljiv. Da upotrebimo
analogiju sa brojanjem jabuka - čak iako sve jabuke nisu iste veličine, ako žehmo
da neku količinu jabuka pravedno podelimo na iste gomile, optimalna mera će biti
da te gomile sadrže isti broj jabuka.
Pored toga, zahtevi za aditivnošću se kroz kasniji razvoj teorije merenja
nisu pokazali dovoljno preciznim. Staviše, današnji razvoj teorije merenja doveo
je do toga da merenje u društvenim naukama, u formalnom pogledu, postane
potpuno saobrazno fizičkom. Fizičari su u kritici merenja u dmštvenim naukama
polazih od idealizovane slike merenja u vlastitoj nauci, zavarani širokom praktič-
nom upotrebom merenja fizičkih veličina. Detaljniji uvid pokazuje da je u mno-
gim primerima, jedina razlika između fizičkog i društvenog merenja u celini u
„praktičnosti”, ali ne i u naučno-teorijskoj strukturi.
Između fizičkog merenja i merenja ponašanja postoje sličnosti i razlike.
Moglo bi se reći da su sličnosti vrlo velike sa strane samih operacija i relacija
merenja, ali su razlike značajne kada se tiču predmeta merenja i strukture i
m etodajedne i druge nauke. Kao što sc zakoni kakve poznajemo iz fizike ne
mogu primeniti na tumačenje i objašnjenje čovekovog ponašanja, tako se ni
metode, operacije, primene, klasifikacija i druge stvari vezane za merenje ne
mogu uzeti da budu jednake. Ključni zahtev za aditivnošću kao preduslovom da
merenje bude kvantitativno je ispunjen novim metrijskim prodorima, kao što je
teorija kombinovanog merenja i Rašov model, koji omogućuju da se ordinalne
varijable transformišu u intervalne.
Merenje čovekovog ponašanja najviše podseća na merenje B-veličina, a
sličnost sa fizičkim merenjem postoji u nizu drugih aspekata, kao što su:
imanentnost grešaka merenja, interakcije merenja i merenog, uloga subjektivnog
faktora, ograničeni i uslovljeni domeni merenja, značaj konvencija i sl.

9. Kako se dokazuje da Je svojstvo merljivo

Jedna od najstrožijih kritika koja je upućena merenju u domenu čovekovog

ponašanja je Michellova koji kaže da društveni istraživači iz odanosti Stevenso-
vim noir skalama i njegovoj operacionalističkoj defmiciji merenja potpuno zabo-
ravljaju da dokažu da su svojstva kojima se bave kvantitativna. Jer samo u tom
slučaju je razumno pokušavati sa fundamentalnim merenjem - kvantifikacijom.
Postoje mnogi odgovori Michellu, sa raznih aspekata društvenog istraživa-
nja: od epistemologije do konkretnih postignuća. Manjkavosti Michellovih aksi-
oma, pomoću kojih se dokazuje da je neko svojstvo kvantitativno, vide se prven-
stveno u sferi cirkularnosti i determinizma. Na primer, nasuprot determinizmu
aksiornatskih teorija (koje Michell, izgleda, jedino ima u vidu), obično se naglaša-
va značaj statističkog tretmana empirijskih podataka. Statistički karakter merenja
ne potiče samo od grešaka merenja, koje smo ranije objasnili kao nužnog pratioca
merenja, nego i od slučajnosti kao suštine individualnih i grupnih razlika.
Michell tumači da postoje dva glavna zadatka svake kvantitativne nauke:
naučni i insti-umentalni. Naučni zadatak ima za cilj da formuliše svojstvo kao
kvantitativno i da postavi empirijski proverljive hipoteze o kvantitativnosti svoj-
stva. Instrumentalni zadatak se odnosi na razvoj empirijskih procedura za utvr-
đivanje vrednosti svojstva - merenja. Po Michellovom shvatanju, merenje je
prazno ako ne postoji naučno zasnovana i proverljiva osnova za tvrdnju da je
svojstvo kvantitativno. Kako istraživači u oblasti nauka o ponašanju mogu da
obave Mičelov naučni zadatak da se teorijski uobliče svojstva kojima se bave
tako da ta svojstva budu merljiva?
 Osnovni način da se dokaže da j e neko svojstvo merljivo j e da se ono
izučava u sve širim kontekstima i da se stalno otkrivaju i utvrđuju njegovi
novi odnosi sa drugim svojstvima i pojavama.
Taj način je sadržan u metodologiji kojaje već široko prisutna u naukama o
ponašanju. Takva metodologija je jasno heuristička ]e,r ne pruža nikakve garan-
cije da će se cilj postići, ali je što praktično, što intuitivno, plauzibilna.
Svojstva kao što su društvena pokretljivost, etnička ili socijalna distanca,
natalitet, kriminalitet itd. ne mogu se ustanoviti kao kvantitativna u nekom
posebnom istraživanju, ili jednom vremenskom trenutku. Akumulacijom istraži-
vačkog iskustva o tim svojstvima, praćenjempromena tokom vremena, poveziva-
njem sa drugim osobinama određenog društva kao što su stepen razvoja, stanje
krize u društvu, čvrstina porodice i sl. raste kredibilitet ovih svojstava kao naučno
zasnovanili i merljivih pojmova. Sličan tok i proces se može realizovati u okviru
bilo koje druge discipline.
U psihologiji se, na primer, može pratiti trag ovakve heurističke metodolo-
gije naprim eru istraživanja inteligencije ih dimenzije ličnosti ekstraverzije-intro-
verzije. U oba siučaju su intenzivno istraživane veze ovih svojstava sa drugima
psihičkim svojstvima i sa različitim ponašanjima Ijudi. Na taj način su ova
svojstva uključena u najšira teorijska tumačenja stnikture čovekove psihe. Pored
toga, utvrdeno je da ova svojstva mogu da predvidaju uspeh Ijudi na poslu ili
nekoj dnigoj aktivnosti i da se vrši razlikovanje grupa Ijudi medusobno. Vrlo
važan korak za potvrdu kvantitativne zasnovanosti ovih svojstava se sastojao u
nalaženju njihovog biološkog utemeljenja.

10. „Praktična" teorija merenja

Reprezentacijske definicije merenja, kao što je Campbellova, kažu da se

merenjem uspostavlja odnos jednog formalnog sistema, obično matematičkog, i
stvarnog sveta. Ovakve defmieije objašnjavaju formalnu stranu tog odnosa, ah
one ne ulazi u to šta se meri i šta se radi da bi se merilo. Nažalost, istraživači su
neposredno i stalno u kontaktu upravo sa takvim pitanjima. Istraživačima teorija
merenja i statistika postavljaju zahteve i pravila, koja im zvuče apstraktno, a
stvarni svet je konkretan.
U situacijama kada njihov nacrt istraživanja ima metodološke teškoće u
pogledu prikupljanja i obrade podataka, istraživači se dovijaju na različite načine.
Jedan način je da se priklone nekom teorijskom okvini, nekom pristupu, odnosno
„izmu”, koji podržava njihov nacrt istraživanja". Osim priklanjanja nekom teo-
rijskom okviru, istraživači često pribegavaju zanemarivanju izvesnih uslova koje

" Takvo rešenje je potpuno legitimno. Problem sa priklanjanjem nekom „izm u” ne

posloji sve dok on služi kao teorijska osnova i podrškam erenju i obradi podataka. Uostalom,
kao šlo jo govorio Rudi Supck, najgori „izam ” je „neznalizam”. Problcm sa „izmima” po-
staje ozbiljan kad „izmi” postanu ideologije i polazišta neosnovanih konfrontaeija.
postavlja teorija merenja ili statistika. Ipak, najboljaje treća mogućnost, a to je da
istraživači pokušaju da poboljšaju i saobraze svoj nacrt sa metodološkim
zahtevima.
Da bi se istraživači lakše nosili sa ozbiljnim, a svakodnevnim teškoćama sa
poštovanjem strogih pravila koja postavlja formalna teorija merenja i statistika,
navešćemo ovde neke opšte stavove za orijentaciju. Cilj tih poglavlja nije da se
doprinese debati i nejasnoćama, nego, baš naprotiv, da se čitaocu pomogne da se
oslobodi anksioznosti (i agresivnosti) prema takozvanim statističkim uslovima i
zahtevima.

11. Problem usklađivanja statističkih tehnika i

istraživačkih podataka

Stevens je istraživačima ostavio još jedno nasleđe, osini podele nivoa

nierenja na četiri nivoa. Naime, on je podelio i statističke tehnike s obzirom na
nivo merenja na kome su primenljive (v. tabelu na str. 94). Svi istraživači dobro
poznaju problem da „statistika” postavlja uslove pod kojima se neka metoda za
obradu podataka može primenjivati. Recimo, aritmetička sredina se može računati
samo na inten/alnom nivou merenja, dok se na ordinalnom nivou mora koristiti
medijana, a na nominalnom mod. Osim uslova koji su proistekli iz Stevensove
podele, postoje i drugi koji su usko vezani za konkretne statističke tehnike. Takvi
uslovi su npr. oni u vezi koreliranosti podataka kod istraživačkih nacrta sa
ponovljenim merenjema, ili u vezi izbegavanja zajedničke analize varijabli koje
su linearna kombinacija jedne iz diiige, ili uslov da uzorak mora biti dovoljno
veliki.
Svi ovi uslovi predstavljaju pravu noćnu moru za društvene istraživače. U
sledećim poglavljima biće ukazano na moguća rešenja tog problema, koja se
zasnivaju kako na teorijskim, tako i na praktičnim saznanjima primene teorije
merenja i statističke analize podataka.

a. „ Pragmatičico ” i ,, recenzentslco " gledište

U odnosu na saobražavanje statističkih telinika nivou merenja na kome se

nalaze podaci mogu se defmisati dva stanovišta.
• Pragmatičko, koje toleriše izvesne neusaglašenosti, a na osnovu i u interesu
interpretabihosti, kompatibilnosti i korisnosti rezultata. Po tom stanovištu današ-
nje stanje stvari je ukratko takvo da s u podaci sa ordinaine skale dovoljno dobri
zaprimenu bilo Icoje tehnilce koja oficijeino počiva napretpostavci midtivarijatne
normalne raspodele. Poredak (rang) objekata je ono što presudno utiče na visinu
koeficijenata i statistika (iz fomialne teorije merenja sećamo se prvog Camp-
bellovog zakona merenja koji je zakon poretka).
 Što se tiče razlike ordinalnih i nominalnih skala, istraživač bi po ovom
stanovištu uočio da su nominalne varijable obično sastavljene iz jednog ili više
ordinalnih podopsega koje „kvari” jedna ili više kategorija, kao što su ,,ne znam”,
,,ne želim da odgovorim” i sl. Istraživači obično takve kategorije (ispitanike)
odbacuju, ili ih prešifriraju u neku najbhžu ordinahiu kategoriju.
• Statističko stanovište je doktrinarno i zahteva da se koriste samo one teh-
nike koje odgovarajii tipu varijabli. Osim statističara, ovo gledište zastupaju i
mnogi recenzenti. Zato se može nazvati i recenzentskim. Postoje istraživanja u
SAD koja pokazuju da veliki broj recenzenata ceni formahia pravila za primenu
statistike (u skladu sa Stevensom), posebno kada se radi o testiranju hipoteza
(iako je testiranje nulte hipoteze, sve u svemu, jedna od najmanje korisnih
statističkih alatki u društvenim istraživanjima). Da bi se našlo mesto pod stmcem
u masovnoj naučnoj proizvodnji, kao što je publikovanje u naučnim časopisima,
istraživači moraju uzeti u obzir ove strožije i formalne kriterijume.
Ova dva stanovišta predstavljaju dva „ideal tipa”, tj. dva pola, između kojih
istraživač može oscilirati u svakom konkretnom slučaju. Recenzentsko gledište i
pohtika recenzenata i mentora koja se na njemu zasniva, ima puno opravdanje
kada služi kao odbrana od nestručne (pogrešne) primene statistike. Oni koji insis-
tiraju na poštovanju statističkih uslova štite zapravo statistiku od zloupotrebe.
Istraživači koji se, po logici stvari, priklanjaju pragrnatičkom stanovištu,
mogu da se pozovu na nekohko važnih činjenica. Izložićemo neke od osnovnih.

b. Staiisiika j e modeliranje i kondenzacija podalaka

U statističkim udžbenicima se obično kaže da statistika predstavlja primenu

matematičkih modela, tačnije modela teorije verovatnoće na podatke. To je
nesumiijivo tačno, ali se danas i na sve dnige statističke fonnule gleda kao na
jcdnu vrstu modela. Na primer, aritmetička sredina je model očekivane vrednosti
jedne konlinuirane skičajne varijable na intervalnom nivu merenja. Koeficijent
linearne korelacije je model povezanosti dve kontinuirane, normalno raspodeljene
varijable. F-test je model za poredenje varijansi dve kontinuirane varijable itd.
Osim ovih, postoje i statistički modeli raspodele verovatnoća, generalni lineami
model, faktorski model, kanonički model itd.
Dakle, statističke metode se mogu interpretirati kao matematičko-statistički
modeli podataka, njihovih veza i struktura. Odgovornost je istraživača da putem
statističke obrade, logičke analize i poinoću bilo koje druge raspoložive tehnike
proveri da li model odgovara podacima, tj. da li fimje podatke (termin fit je
preuzet iz engleskog jezika i pošto se teško prevodi obično se koristi u tom obliku
~ kao tudica). Na primer, aritmetička sredina je očekivana vrednost neke
varijable. Međutim, da bi taj model fitovao stvamost, podaci moraju ispunjavati
izvesne uslove. Moraju biti unimodalno distribuirani (distribucija mora imati
jedan ,,vrh”) i moraju biti kvantitativni. Očekivanje će biti iznevereno ako
 distribucija ima više „vrhova” i ako smo sabirali „babe i žabe” (tj. ako varijabla
nije numerička-kvantitativna. Primer takvog neuspešnog statističkog modeliranja
je sadržan u laičkoj kritici statistike: „Ja jedem kupus, ti jedeš meso, u proseku
jedemo sarmu.”).
Koeficijent korelacije je lineami model veze izmedu podataka koji postiže
puni kvalitet kada su varijable normalno raspodeljene i, kako modelpretpostavlja,
numeričke (intervalne). Tehnika i tehnologija računanja koeficijenta lineame
korelacije nas ne sprečava da ga izračunamo iz bilo kakvih podataka. Možemo, na
primer, imati jednu varijablu sa brojevima koje igrači nose na dresovima i drugu .
sa oznakama njihove boje očiju: l=cm a, 2=smeđa, 3=neodređena, 4=plava. Nije
nemoguće da između ove dve varijable postoji korelacija zbog toga što su na
nekim mestima u timu pogodniji igrači koji su konstituciono bliži mediteranskom
tipu, a na drugim mestima pogodniji igrači bliski skandinavskom tipu. Da bi
istraživač imao pravo da interpretira dobijeni koeficijent, on mora izvršiti logičku
analizu vrste i nivoa meme skale koju poseduju podaci. Zatim bi morao da
proveri njihovu distribuciju i da testira lineamost veze, tako što bi npr. nacrtao
dijagram raspršenja ili izračunao eta-koeficijenta korelacije. U konkretnom
slučaju, ukoliko i boja očiju i brojevi na dresovima korepondiraju sa telesnom
konstitucijom, moglo bi se očekivati da će eta, ili neki koeficijent namenjen
nominalnim varijablama biti veći od Pirsonovog koeficijenta. Dakle, tek nakon
takve ili slične provere bi istraživač mogao da kaže da dobijena korelacija
odgovara (fituje) stvamoj povezanosti između osobina.
Primena neke statističke tehnike za analizu individualnih razlika je zapravo
postavljanje jednog modela podataka. Ako model odgovara podacima (ili ako
podaci odgovoraju modelu), rezultat primene statističke tehnike će biti validan.
Na primer, ako izračunamo aritmetičku sredinu iz brojeva koje fusbaleri nose na
dresovima, dobićemo neki broj koji, sam po sebi, nećc ukazivati na moguću
pogrešnu upotrebu modela aritmetičke sredine. Da bismo proverili da li je to
očekivana vrednost neke stvamo postojeće intervalne kontinuirane slučajne
varijable moraćemo se poslužiti svim sredstvima koja nam stoje na raspolaganju
- od logičke analize do matematičke provere.
Mnogi kažu da je ispitivanje adekvatnosti primenjene statističke tehnike,
odnosno saglasnosti modcla podacima, jednako heuristički (naučni) zadatak kao
što je konstrukcija upitnika u anketnom istraživanju ili sastavljanje liste kategorija
u analizi sadržaja. U gomjem primem moraćemo da ispitamo da li je varijabla
kontinuirana tako što ćemo utvrditi mogući raspon brojeva dresova. U daljoj
logičkoj analizi biće potrebno utvrditi da li je varijabla intervalna, odnosno da li
su intervali svojstva izmedu brojeva 2 i 4 jednaki onima izmedu 8 i 10. Videćemo
da brojevi nisu kontinuirani, da ne postoje nikakvi smisleni intervali izmedu
objekata sa raznim brojevim a, te da, shodno tom e, ne postoji nikakvo
kvantitativno svojstvo. Tako ćemo biti obavezni da zaključimo da model aritme-
tičke sredine ne ođgovara podacima koje čine brojevi na dresovima, jer iza tih
brojeva ne stoji kontinuirano intervalno svojstvo.
 Statistika je kondenzacija p o d a ta k a .- Savremena epistemološka analiza
uočila je da su metode koje se konvencionalno nazivaju statističkim pretežno
bazirane na konceptu redukcije dimenzionalnosti prostora. Na primer, umesto
gomile podalaka o telesnoj visini regruta koristićemo samo njihovu aritmetičku
sredinu i standardnu devijaciju. Umesto velike tabele o povezanosti tclesne visine
i težine koristićemo samo jedan jedini koefieijent korelacije. Posebno je efekat
redukcije podataka vidljiv u multivarijatnoj analizi u kojoj, na primer, sve stavke
iz Adornove skale autoritarnosti zamenjujemo sa skorovima na 9 faktora
autoritamosti. Osnovna tehnika kojom se može ilustrovati koncept redukcije
dimenzionalnosti je Hotcllingova analiza glavnih komponenti, koja se koristi u
svim oblastima nauke. Pod redukcijom dimenzionalnosti prostora se podrazu-
meva traganje za najmanje dimenzionalnim prostorom koji sadrži sve potprostore
koje defmišu manifestne varijable. To je prostor koji sa najmanje dimenzija
objašnjava najveći deo ukupne varijanse svih varijabli.
Taj cilj važi za celu stalistiku - ona. jesredstvo za redukciju ili kondenzaciju
podataka. Kondenzacija podataka je, takođe, preduslov za reprezentaciju podata-
ka. Nemoguće je, naime, napraviti upotrebljiv prikaz izvomih podataka koji
sadrže nekoliko desetina ili stotina hiljada brojeva. Da bi prikaz bio razumljiv on
mora biti sažet. Pošto je za grafičku prezentaciju najjednostavniji dvodimenzio-
nalni prostor (list papira), svi podaci se po mogućnosti nastoje objasniti pomoću
dve dimenzije. I ne samo to, objektivno je (m.atematički) defmisan zakon mini-
malne potrošnje mastila, koji omogućava da se grafički prikazi formiraju sa što je
moguće manje linija. Najbolji način je da se sažimanje vrši traženjem opštijih
tipova ili latentnih konstrukata. U tom slučaju sažeti prikaz zadovoljava i sa-
znajnu stranu jer govori o tome šta se nalazi iza manifestnog ponašanja. Zato se
danas može pročitati da statistika nije samo metoda reprezentacije, nego baš gra-
fičke ili vizuelne reprezentacije.

c. Postoji više podela mernih skala

Kao što se videlo u ranijim poglavljinia, s obzirom na dopustivost

transformacija i u skladu sa poznatom Stevensovom klasifikacijom, skale se mogu
podeliti na nominalne, ordinalne, intei-valne i racio, ali postoje i drugi načini
klasifikacije memih skala. Osim klasičnih Stevensovih nivoa merenja, često se u
udžbenicima (Momirović i WoIf, 1997, Sarle, 1995) može naći veliki broj drugih
podela meraih skala, manje ili više elaboriranih. Nabrojaćcmo neke od proširenih
i altemativnih podela mernih skala.
• Log-intervalni. Objektima se dodeljuju brojevi tako da razlomci brojeva
odražavaju razlomkc između vrednosti atributa. Ako je m{X) / m{Y) > m{U)
/ m{V), onda je i a{X) / a{Y) > a{U) / fl(K). Dozvoljene transfomiacije su
bilo koje eksponencijalne trasformaeije tipa t{m) = c ^ m ‘‘, pri čemu su c i af
konstante.
Primeri: Guslina materije (masa/zapremina), potrošnja goriva u I/km.
• Aditivni. bjektima se dodeljuju brojevi tako da sva svojstva brojeva odraža-
vaju analogna svojstva atributa, osim nulte tačke. Dozvoljene transformaci-
je su tipa t{m) = m + c, gde je c neka konstanta,
Primeri: Odgovor na pitanje „koliko braće i sestara imate” kao pokazatelj
broja dece u porodici, ili na pitanje „kada ste počeli da pušite” kao pokaza-
telj dužine pušačkog staža.
• Apsolutni. Objektima se dodeljuju brojevi tako da sva svojstva brojeva
odražavaju analogna svojstva atributa. Nula i jedinica merenja su apsolutne.
Apsolutna skala je rezultat operacije brojanja. Jedina dozvoljena trans-
fomacija je transfonnacija identiteta: t(jn) = m.
Primeri: Broj dece u porodici.
• Dihotomne (binarne) varijable se tretiraju kao univerzalne, ,,bez-skalne”, a
u skladu sa striktnim Stevensovim pređlogom dopustivih transformacija,
biname varijable se po defmiciji nalaze najmanje na intervalnom, a mogu
biti i na racio nivou.
• Postoji zatim i podela na kategorijalne skale, koje nastaju klasifikacijom
objekata, i merne skale, koje nastaju merenjem. Ove prve se nekad zovu
nenumeričkim, odnosno kvalitativnim, a ove druge numeričkim, odnosno
kvantitativnim.
• Nekad se numeričke meme skale razlikuju s obzirom na neposredni
postupak dodeljivanja brojeva, pa imamo brojanje i merenje.
• S obzirom na posebnu grupu problema koji se tiču primenjivost matema-
tičkih modela distribucija verovatnoća, razlikuju se diskretne i kontinuirane
skale, od kojih se one prve nazivaju takode i kategorijalnim.
• Klasični autori kao što su Gutman i Lazarsfeld su razlikovali kvalitativne
varijabie, koje su kategorijahie, muhitomne (muhihotomne) ili dihotomne,
ali uvek diskretne, od k\’antitativnih varijabli koje su obično kontinuirane i
na kojima se mogu primenjivati aritmetičke operacije.
• Mosteller i Tukey su napravih sledeći spisak tipova podataka:
imena
stepeni (uređene oznake kao: major, potpukovnik, pukovnik)
rangovi (počinju od 1, koja može predstavljati bilo najveći, bilo
najniži rang)
relativne frekvencije (omeđene nulora i jedinicom; procenti)
frekvencije (nenegativni celi brojevi)
iznosi (nenegativni reahii brojevi)
salda (neomedeni, negativni ili pozitivni brojevi, npr. saldo računa)
Jedna od važnih osobina mcrnih skala je konvencija. Poput temperatumih
skala, Celzijusove i Farenhajtove npr., koje se uspešno koriste i dan danas bez
obzira što nemaju ni pravu ni zajedničku nulu i što je određivanjem apsolutne
nule skala u Kelvinima postala racio skala. U naukama o ponašanju takve su skale
stavova kao što je Likertova, u psihologiji IQ skala it.sl. One se koriste kao
intervalne jer tako izgledaju. Pridržavanje konvencije ima „društveni” kvalitet jer
omogućava uporedivost rezultata i komunikaciju izmedu istraživača, a ne smemo
smetnuti s uma da je nauka dmštvena delatnost. Osim toga, javnost naučnih nala-
za smo u uvodnim poglavljima istakli kao važnu komponentu naučnog metoda.
U matematici, monotone transformacije su one koje ne menjaju poredak
izmerenih objekata (na primer, množenje sa nekom vrednošću je monotona trans-
formacija). Praktično jepokazano da monoione transformacije skala ne menjaju
značajno koeficijente korelacije, F i t testove. To znači da koeficijenti korelacije,
F i t testovi ne zavise toliko od stvamih mera koje su objektima dodeljene, nego
od poretka objekata na osnovu tih mera. Osim toga, razvijeno je u praksi dosta
ležeraosti i „tolerancije” u odnosu na to da h su neki konkretni podaci prihvatljivi
za neku konkretnu statističku metodu za anahzu podataka - u pogledu skale.
Interpretabilnost i stabilnost rezuhata su samo potvrdih da se to isplati.
Pored toga, kad bolje pogledamo, potpuno nominalne varijable nisu tako
česte u društvenim istraživanjima. Većina varijabli koje tretiramo kao nominalne
su parcijahio nominalne, odnosno parcijalno ordinalne. To znači da je opseg
varijabli (sve moguće vrednosti koje ona zauzima) sastavljen od jednog ili više
podopsega koji su ordinalni i jedne ili više vrednosti koje su van tog (tih) redo-
sleda. Na primer, kod merenja stavova, sve altemative su poredane u niz po jačini
slaganja sa nekim iskazom, osim altemative ,,ne zna”. Slično važi za zanimanje
(...,NK, KV, \ ^ V , SSS, VŠS,..., privatnik, učenik,...), bračni status („neože-
njen/neudata” nasuprot svih drugih podvrsta) itd.

d. Kontinuiranost, diskretnost i preciznost merne skale

Jedna od osobina po kojoj se, u udžbenicima o teoriji merenja, skale

standardno dele je kontinuiranost nasuprot diskretnosti. Kontinuirane meme skale
mogu imati bilo koju vrednost sa racionalnog brojnog niza (celi i razlomljeni
brojevi), dok diskretne skale mogu imati samo celobrojne vrednosti, ili se mogu
zasnivati na bilo kojim drugim numeralima, odnosno ne moraju biti uopšte
numeričke.
U ovoj distinkciji se nažalost odmah uočava problem razlikovanja „sveta” i
„znakova”. Meme skale se stvarno razlikuju po tome kom skupu numerala
pripadaju njihove vrednosti - na primer, skupu celih ili razlomljenih brojeva.
Međutim, veoma je važno da li svojstvo koje skala meri može imati bilo koju
vrednost (kontinuirano svojstvo), ili može biti samo u diskretnim intervalima
(diskretno svojstvo). Tako je recimo skala dužine i težine kontinuirana, dok je
skala pola, broja dece, broja eritrocita i obrazovanja diskretna.
U statistici postoji posebna grana za kontinuirane i diskretne podatke.
Najčešće korišćeni model distribucije za kontinuirane podatke je normalni, a za
dihotomne - binomni. Shodno tome, statistički testovi za poredenje vrednosti se
razlikuju za diskretne (npr. one koji nastaju prebrojavanjem) i kontinuirane
podatke i obično su prvi bazirani na binomnoj, a dmgi na normalnoj raspodeli. U
oblasti korelacije, postoje biserijalni i pointbiserijahii koeficijent, kao i tetraho-
rični i (p koeficijent. Prvi par koeficijenata se, kako to stoji u udžbenicima, prime-
njuje kada su „varijable kontinualne, ali iz nekog razloga svedene na dve katego-
rije”, dok se drugi par koeficijenata primenjuje u slučajevima kada su „varijable
izvomo dihotomne”. Nekada je istraživaču teško da odluči da li je varijabla
„izvomo dihotomna” ih ne, odnosno da h je diskretna ih kontinuirana.
Kontinuiranost koja se pretpostavlja kod podataka je od suštinske važnosti
da bi se na podatke primenio model normalne distribucije i, shodno tome, da bi se
oni mogh anahzirati najvećim brojem statističkih tehnika. Sadašnje stanje je
takvo da su infmitezimalni podaci (kod kojih razhka između dva susedna broja
teži nuh) neverovatni iz više razloga. Tek se očekuje istraživanje koje će imati na
raspolaganju podatke sa takve meme skale.
Dragim rečima, kontinuiranost merenja j e teorijski model koji podrazume-
vaju statističke metode, a ne podaci. Kontinuirane meme skale u praksi zapravo
ne postoje i svako merenie ie praktično kategoriialno.
Prirodom stvari, znamo da je svako merenje u praksi diskretno jer je
preciznost memih instrumenata uvek ograničena. Jasno je da ako merimo osobine
koje su kategorijalne, rezultirajući podaei će biti diskretni bez obzira na meme
skale i instrumente koje koristimo. Međutim, ako je osobina naizgled kontinui-
rana, memi instrumenti bilo suštinski (zbog ograničene preciznosti), bilo našim
izborom (ograničenjem preciznosti), rezuhiraju prekidnim podacima.
Da h će tretman osobine koja je generički kategorijalna uvek biti nomi-
nalan? Posmatrajmo recimo osobinu koja se zove broj dece. Ona je kategorijahia,
tj. diskretna, ah nije nominalna. Ako kažemo da je svako skahranje skup pravila
za zadavanje brojeva pojavama, ovde je pravilo koje se koristi prosto brojanje.
Međulim, možemo taj memi „instrument” zameniti jednim grubljim i spomenutu
osobinu meriti samo kao „ima dece-nem a dece”, koja je, budući binaraa, „scale
free”, ih možemo koristiti ordinalnu skalu: do 2 deteta, 3-4 deteta, 5 i više dece.
I premda ovaj primer nije najpogodniji za to, može postojati i modahtet „bez
odgovora” (modaiitet „ne znam” je malo verovatan, ah moguć), koji bi varijablu
učinio parcijalno nominalnom.
O kategorijalnosti nasuprot kontinuiranosti meme skale, kao i o značaju tog
pitanja u istraživanjima, biće još reči u glavi o varijabh.
Preciznost sk a le.- Usko povezano sa podelom kontinuirano-diskretno je i
pitanje preciznosti koje se, manje-više, odnosi samo na kontinuirane skale. Na-
ime, dužina je kontinuirano svojstvo, pa je i mema skala u metrima kontinuirana,
ah svaki konkretni memi uređaj ima neke konačne meme intervale, podioke ih
stepenike. Očitavanje dužine nekog predmeta, pa prema tome i merenje, koja
pada između dva podeoka je subjektivno i predstavlja konstantan izvor greške.
Ako je lenjir baždaren u mihmetrima, onda se olovka čija je dužina između 110 i
111 mihmetara neće moći tačno izmeriti.
 e. Brojanje, merenje, nulta tačka i jedinice merenja

Zanimljivo pitanje odnosa brojanja i merenja već je spomenuto, posebno u

diskusiji uz Stevensovu tabelu 1 (str. 94). Uobičajeno je da se pod „merama”
podrazumevaju brojevi na kojima se mogu primenjivati aritmetičke operacije,
npr. mere se mogu sabirati, oduzimati, množiti i deliti, a rezultati tih operacija se
mogu dalje množiti i deliti, pri čemu mere ne gube originalno značenje. U tom
smislu, mere su po Stevensovoj klasifikaciji uvek na intervalnoj ili racio skali.
Međutim, mere koje odražavaju brojnost ne podnose nikakve transformacije,
ukoliko želimo da zadržimo njihovo značenje.
Podaci koji nastaju brojanjem liče na racio skalu po tome što imaju „apso-
lutnu nulu”. Ta nulaje realno proverljiva i dostupna našim čulima, jerpredstavlja
prosto odsustvo događaja koji se broji. Međutim, brojanje je „mera grupe”, a ne
pojedinačnih sistema. Recimo, tvrdimo da Njujork ima više stanovnika od
Zrenjanina, ili-'da Petrovići imaju više dece od Trifiinovića. U brojanju je važno
samo da možemo jasno razlikovati objekte koje prebrojavamo (Koen i Nejgel,
1965). Na primer, možemo lako brojati decu, muškarce i žene, krvna zmca, ali ne
možemo kapi vode u čaši (dok tu vodu nekako ne pretvorimo u kapi). Broj je
dakle izvesna „skupna mera” i ne odnosi se na elemente tog skupa. Isto tako, broj
izražava samo brojnost, a ne i količinu. Od naših defmicija zavisi kako ćemo
tretirati tu brojnost i kakav ćemo joj stvami i logički status pridavati. Recimo,
broj jabuka u vreći ne govori o težini vreće. Jedna vreća može imati više jabuka
od dmge, a da ipak bude lakša. Ako pretpostavimo i znamo da postoji neka pro-
sečna veličina jabuke, onda bi neka mašina koja pakuje vreće i radi na principu
brojanja jabuka proizvodila vreće jednake težine i zapremine - statistički. U tom
primeru, dakle, brojanje služi kao aproksimativno, tj. statističko merenje količine.
Tačno je da vreća koja ima 100 jabuka ima dva puta više jabuka od one
koja ima 50. Odatle izgleda da je skala dobijena brojanjem jabuka, a koja se
odnosi na vreće, intervalna. Jedino svojstvo koje ta skala nema je kontinuiranost.
Međutim mere koje nastaju brojanjem nemaju univerzalnu jedinicu merenja,
odnosno, ona je specifična i može se, eventualno, izraziti kao statistik. Ako ne
postoji univerzalna jedinica merenja, onda ne postoje ni jednaki intervali između
skorova, pa skala ne može biti intervalna. Na ovaj nedostatak brojanja je ukazivao
još Edward L. Thomdike i predlagao da se brojanje zam eni merenjem -
skaliranjem.
N ulta tačka, jedinice m ereiija i transform acije jedne skale u d ru g u .- Po
mnogim autorima je pitanje postojanja nulte tačke i jedinice merenja osnovno
pitanje merenja. Realna nula kod brojanja uvek postoji egzistencijalno. Intervalni
nivo merenja ne pretpostavlja postojanje realne nulte tačke. Kod racio skale
(skale količnika) nula se prosto može dedukovati iz situacije kada je brojitelj
jednak nuli. Medutim, to ne znači da ona realno postoji. Realna (apsolutna) nula
je često logički problematična i protivrečna.
Ipak, nulta tačka, makar bila odredena samo konceptualno i teorijski, kao i
dobre i racionalno utemeljene jedinice merenja preduslov su objektivnosti mere-
nja. U oba aspekta, zasnovanosti nulte tačke meme skale i njenih meraili jedinica,
postoji jasna razlika između mereiija u prirodnim i društvenim naukama (u korist
prvog). Ta diskusija se odnosi na pitanje kvantitativnosti svojstva koje se meri, a
koje je obradeno u zasebnompoglavlju.
Poseban problem Stevensovoj podeli skala i statističkih tehnika predstavlja
to što se matematičkim transformacijama mogu menjati svojstva skala tako da
prelaze jedna u drugu. Ordinalne skale se npr. mogu transformisati u intervahie
na osnovu distribucije učestanosti rangova, prostim logaritmiranjem racio skale se
mogu konvertovati u intervalne, a eksponenciranjem intervalne skale u racio.
Dakle, premda stvarno merenje u bilo kojoj nauci teško da može proizvesti
kontinualne intervalne ili racio skale, matematičkim transformacijama se mogu
simulirati takva svojstva. Zbog toga je istraživačima teško da prihvate oprav-
danost strogog, recenzentskog gledišta.

f. N oiinalna raspodela, ukupni skorovi i linearnost veza

Teorijski model nonnalne raspodele opisuje slučajne ishode koji nastaju na

preseku beskonačno rrmogo nezavisnih kauzalnih lanaca (uzroka, procesa). Pod
nezavisnim podrazumevamo da su nezavisni od naše praktične aktivnosti u kojoj
se slučaj dogodio, kao i da međusobni odnosi lanaca ne stoje u uzročno-posle-
dičnoj vezi (jer ako stoje, onda je to jedan te isti lanac). Zato se smatra da je ona
univerzalna teorijska kriva slučajnih dogadaja. Medutim, videli smo takođe da
nema „teorijskog” slučaja i kada bismo u praksi postavili cilj da proverimo
distribuciju verovatnoča nekih ishoda, samo „skičajno” bismo dobili stvamu nor-
malnu raspodelu. Teško je, naime, poverovati u veliki broj (šta više bezbroj) kau-
zahiih lanaca koji su nezavisni kako međusobno tako i od procesa rnerenja. Danas
preovladava uverenje, kako je Heisenberg tvrdio za mikrosvet u okviru kvantne
mehanike, da postojiprincipijelna interakcija merenog i merenja.
I stvamo, u praksi, postoji mnogo podataka o tome da pojave koje bi po
svemu morale biti normalno raspodeljene to stvamo nisu, čak ni na vrlo velikim
uzorcima. Poučan je nalaz Queteleta na francuskim regrutima sa deformacijom
distribucije rezuhata tačno oko minimalne telesne visine potrebne za prijem u
vojsku (videti prethodno poglavlje). Quetelet je to odstupanje od normalne raspo-
dele objasnio time što su niski regmti uvlačih glavu u ramena da bi paU ispod
minimuma i tako izbegli služenje vojske.
Poznato je da se starost u populaciji ne distribuira normalno, nego je
pozitivno asimetrična, baš kao i telesna težina. Kod starosti je aktivni faktor za
asimetričnost verovatno to što se više Ijudi rađa nego što umire. Kod telesne
težine je pozitivna asimetrija posledica numeričke interakcije telesne visine i
zapremine tela.
Ljudska inteligencija jc takode jedno od svojstava koja su obilno merena i o
čijoj distribuciji se dosta zna. U nekim istraživanjima na nacionalnom nivou, do-
bijene distribucije IQ skorova su bile bliže modelu beta distribucije nego normal-
ne. Postoje indicije da se ođgovarajućim transformacijama koje uklanjaju greške
merenja i specifične izvore varijansi može ukloniti i normalnost distribucije iz
podataka.
Model normalne raspodele je kontinuirani, numerički model, tj. važi samo
za podatke koji potiču sa realnog brojnog niza.
N orm alna distribucija i ukupni sk o ro v i.-N a distribuciju ukupnih skoro-
va mernih instrumenata, kao što su psihološki testovi ili upitnici utiče izbor
stavki, tačnije njihove težine i interkorelacije. Ako napravimo ukupan skor na
nekom testu, upitniku ili skali stavova prostim sabiranjem odgovora, distribucija
tog ukupnog skora će biti nagnuta na jednu ih na drugu stranu ako su stavke u
tom instrumentu pretežno „teške” ih „lake”. Još značajnije je to što distribucija
ukupnog skora neće biti nomialna ako postoji korelacija izmedu stavki. Sto je vi-
ša interkorelacija stavki, to će distribucija biti spljoštenija. Pošto je normalno da
postoje značajne interkorelacije između stavki koje mere istu osobinu, to znači da
će distribucije ukupnih skorova dobrih mernih instrumenata odstupati od
normalne.
P retpostavka m ultivarijatne norm alne rasp o d ele.- Ova pretpostavka je
centralna pretpostavka muUivarijatne analize, odnosno onoga što ovde nazivamo
anahzom individualnih razlika. Po toj pretpostavci, sve varijable koje podvrgava-
mo nekoj MVA metodi moraju biti zajednički nomialno raspodeljene. Ako je
njihova zajednička distribucija multivarijatno nonnalna, onda su i njihove pojedi-
načne distribucije normalne, Pošto je normalna raspodela kontinuirani model, to
istovremeno znači da sve varijable moraju biti numeričke i kontinuirane. To znači
da sve varijable moraju biti na intervalnom ili racio nivou po Stevensovoj klasifi-
kaciji nivoa merenja. Iz ostalih poglavlja o „praktičnoj” teoriji merenja znamo da
je pretpostavka multivarijatne normalne raspodele svojstvo modela i da se model
može primeniti, pa nakon toga testirati da li je primena uspela.
L inearnost veza.- Veze između varijabli koje se multivarijatno normalno
raspodeljuju imaju još jedno zanimljivo svojstvo - linearnost. Po izloženom
shvatanju slučajnosti i individualnih razlika, lineamost veze je prirodna kada do
slučajne pojave dolazi usled brojnih i nezavisnih kauzalnih lanaca. Pod nezavis-
nošću se podrazumeva njihovo nezavisno kombinovanje unutar svakog ishoda, u
našem konkietnom slučaju objekta (ispitanika, grupe), a posebno kao nezavisnost
od naših manipulacija sadržanih u operaciji merenja. Ta praktična, i na neki način
„čarobna” dijada nonnalnosti i lincamosti, koja je rezultirala lineamom regresi-
jom i koeficijentom lineame korelacije, nije, dakle, invencija matematičara i
statističara, nego je matematičkim fonnulam a samo izraženo ono što stoji iza
individualnih razhka (slučajnih događaja).
Ako izaberemo model iineame korelacije za proveru veze između varijabli,
ispravnost tog modela možemo proveriti tako da utvrdimo da li neki model
nelinearne korelacije (regresije) daje više kocficijente povezanosti. Cak i ako
pokažemo da hneami model nije najbolji, možemo se njime zadovoljiti ukoliko
su koeficijenti i zaključci na osnovu njih dovoljni za prihvatanje teorije. Za to
postoji još jedan razlog, a taj je što praksa pokazuje da sa povećanjem uzoraka
distribucije bivaju sve sličnije normalnoj, a veze lineamoj. Kao što kaže De
Leeuw, na velikim uzorcima vlada linearni model.

g. Zaključak i rešenje

U statistici društvenih nauka se često koristi floskula po kojoj je za neku

varijablu dovoljno da važipretpostavka o normalnosti. Nažalost, ne postoji tačan
spisak kiiterijuma koji bi društvenom istraživaču pomogao da odluči je li ta
pretpostavka realna ili ne. Nekada se umesto, ili kao zamena za pretpostavku
noiTnalnosti, razmatra da li bi iza neke manifestne varijable koja je sada kategori-
jalna mogla stajati kontinuirana osobina. Na osnovu toga se očekuje da bi
merenje dotične osobine na čitavoj populaciji, ili sa preciznijim memim instm-
mentom proizvelo nomialno distribuiranu slučajnu varijablu.
Međutim, bilo kakvo slučajno raspršenje, pa i nonnalna distribucija, se
dešava kada čovek obavlja praktičnu delatnost usmerenu ka cilju. Nomialna
distribucija rezultata nastalih prilikom merenja (a ono je u upravo takva svrsi-
shodna praktična delatnost) znači samo to da je procedura merenja verovatno bila
korektna. Shodno tome. na normalnu distribuciiu treba gledati kao na odliku
merenia. ili tačniie. kao na osobinu čovekovog odnosa sa svetom. a ne kao na
odliku atributa - osobine. Tokom merenja ponašanja, koje je samo po sebi takva
delatnost, a iziskuje i praktičnu delatnost ispitanika, dobijamo individualne razli-
ke koje su po defmiciji slučajne varijable. Ako se dobijene individualne razlike
distribuiraju noiTnalno, onda ta činjenica ukazuje na uravnotežnost i nezavisnost
nepoznatih kauzalnih lanaca koji su imah uticaj na merenje.
Dominantne meme skale u društvenim istraživanjima su ordinalne, koje se
u nekom sledećem koraku analize mogu transfonnisati u kvazi-intervalne (ali
diskretne, posebno kad nastaju prebrojavanjem odgovora ispitanika). Vrlo često
će se čak utvrditi da skale koje se deklarišu kao ordinalne to nisu, nego
zahvaljujući višestrukim predmetima merenja, ili nečemu dmgom, imaju meša-
vinu ordinalnih i nominalnih podopsega. U svetlu svega što je dosada rečcno,
može se doneti generalan zaključak da je dozvoljena elastičnost u tretmanu
statističkih uslova i da islraživači mogu primeniti multivarijatne statističke
metode ako imaju svest o tome da bi za njihove podatke možda bio primereniji
neki drugi model. Mogli bismo generalno utvrditi da se multivarijatna statistika u
naukama o ponašanju mora pom iriti sa diskontinuiranim i ne nužno normalno
raspodeljenim varijablama.
Određivanje statističke metode koja će se primeniti u nekom konkretnom
slučaju je analogno izboru instiiimenta za prikupljanje podataka, izboru indi-
katora, ili bilo kom drugom koraku empirijskog istraživanja. To je zapravo proces
modeliranja ili izbora modela, koji se zatim proverava, potvrđuje, odbacuje, ili
ostavlja za dodatne provere. Istraživač mora stalno im^ati pred očima sledeći stav;
statistički uslovi su svojstva modela, a ne podataka.
 Savršeno je jasno da „srednje rešenje” između dva gledišta, „recen-
zentskog” i „istraživačkog”, postoji i da je ono već dato u prethodnim obrazlo-
ženjima. Radi se o tome da istraživač ima pravo na pragmatičko stanovište ako je
„svestan šta radi”. Tu svest može lako dokazati tako što će proveriti svoje nalaze
s obzirom na prirodu podataka i dobijene distribucije učestanosti. To znači da
treba ispitati u kolikom stepenu mema skala i distribucija podataka odstupa od
zahtevane. Na primer, istraživač može proveriti da h su njegovi nalazi „otporni”
na transformacije podataka kao što su različita sažimanja, zatim monotone trans-
foraiacije kao što su stepenovanje ili logaritmiranje, pa standardizaciju i/iii
normahzaciju. Istraživač može uporedhi svoje nalaze sa drugim nalazima. Još
bolje je da izvrši takve transformacije podataka koje će ih učiniti što više saglas-
nim sa statističkim uslovima. Na primer, ordinahie varijable može transformisati
kako bi ih „intervalizirao” (pomoću nom alizacije, ili ih može binarizovati), a
nominalne varijable može prečistiti tako dapostanu ordinalne.
Dalje, razvoj multivarijatnih tehnika za obradu nominalnih varijabli je
učinio da istraživači danas mogu kvalitetno analizirati sve tipove podataka.
Upadljiv primer za to je set programa iz tzv. holandske škole koji se po mate-
matičko-statističkom supstratu svrstavaju pod različite naslove kao što su analiza
homogenosti, optimalno skaliranje, multipla korespondentna analiza i kompo-
nentna analiza, a prihvataju varijable svih tipova. Pored toga, anahza nominalnih
varijabli, kao čest izvor glavobolje društvenih istraživača, motivisala je mnoge
statističare za razvoj metoda koje su paralelne onima za intervalne varijable.
Kad se radi o nominahiim varijablama, za njihovu obradu se mogu koristiti
već spomenute specijalizovane metode, ili se može koristiti binarizacija da bi se
nominalne varijable dovele u ,,bez-skalni” oblik koji je pogodan za bilo kakvu
dalju analizu. Ipak, najbolje rešenje je istovremeno i najteže - treba povećati
uzorak, otkloniti greške merenja i poboljšati instrumente u cilju povišavanja
nivoa merenja.
 O S N O V N I E LE M E N TI E M P IR IJS K O G
IS TR A ŽIV A N JA PO N A ŠA N JA

A. Teorijski okvir istraživanja

1. Izbor teorijske perspektive

Pod teorijskom perspektivom podrazumevamo skup teorija ili barem

uverenja koji su, skoro po pravilu, bazirani na nekom fiiozofskom pravcu. Pošto
se nazivi filozofskih pravaca i teorijskili perspektiva vrlo često završavaju na
,,-izam”, i ove perspektive ponekad nazivamo „izmima”. U literaturi se mogu
sresti i dragi izrazi, kao što su pravac, škola, filozofska pretpostavka, epistemo-
logija, pa čak i defmicije kao što su „ontologija” ili „široko shvaćena istraživačka
metodoiogija”. Svaki od ovih izraza je sasvim na mestu, ali treba uočiti da su oni
različitih nivoa opštosti, kao i različitih preciznosti. Alternativni tennin, koji je
snažno afirmisao Thomas Kuhn u svom dehi The Structure o f Scientific Revo-
luiions, jeste paradigma. U svim slučajevima se radi o opštem pogledu na svet,
svjetonazoru, koji u našem kontekstu primenjujemo na empirijsko istraživanje.
Standardno, izbor teorijske perspektive se mora izvršiti na samom početku
istraživanja ili još ranije, sa ciljem da se iz odabrane perspektive zatim izvede
opšti istraživački pristup: kvantitativni, kvalitativni ili mešoviti. Međutim, kao što
ćemo kasnije videti, vrlo često sam problem istraživanja diktira metode, a ove
onda pozicioniraju istraživanje pod neku odredenu perspektivu.
U oblasti nauka o ponašanju ima mnogo podela teorijskih perspektiva. Ne
postoji neka defmitivno ustoličena taksonomija teorijskih perspektiva, koja bi u
obliku uputstva ili preporuke mogla biti servirana istraživačima. Osnovni razlog
za to je što islraživačima nije nužno da eksplicitno odaberu teorijskuperspektivu.
U istraživačkim izveštajima će se vrlo retko naći filozofske diskusije i izjave o
filozofskimpreferencijama. Identifikacijama i podelama teorijskih perspektiva se
bave filozofi i epistemolozi - oni su ti koji imaju potrebu da razvrstaju određeno
istraživanje pod neku perspektivu. Istraživači obično nemaju tu potrcbu.
Ipak, svesno i eksplicitno opređeljenje za neku teorijsku perspektivu
podrazumeva poznavanje njenih postavki, kao i postavki altemativnih i konku-
rentskih perspektiva. Istraživač koji poseduje ta znanja lakše će i bolje odabrati
svoj istraživački pristup. Poznavanje dobrih i loših strana pojedinih paradigmi
pomoći će istraživaču u kritičkoj evaluaciji vlastitih i tuđih naiaza. Konačno,
znajući da neće biti usamljen, lakše će se odlučiti za primenu metodologije koja
nije dominirajuća u njegovoj oblasti, ali je pokazala dobre rezultate u drugim.
Važno je znati da tema izbora perspektive ih paradigme nije jednako
prisutna u svim naučnim oblastima. Dok se u psihološkoj metodološkoj literaturi
sreće vrlo retko, u sociološkoj je to jedno od važnih uvodnih poglavlja.

2. Koje perspektive postoje

Kao što se može očekivati, postoji prilično slaganje oko teorijskih perspek-
tiva koje su klasične i i koje su zato dobro poznate i široko prihvaćene. Slaganja
je mnogo manje oko novih pravaca i škola, posebno onih koji se odnose na speci-
fične oblasti ili probleme.
U oblasti društvenih nauka generalno, pored klasičnih, identifikuje se i niz
novih perspektiva. S obzirom da su zasnovane na radovima novih autora, da
imaju užu oblast primene i da su ekletičke ili nedovoljno proverene u praksi, u
literaturi ne postoji saglasnost oko njihovog broja, svojstava, pa ni naziva. Isko-
ristićemo četiri osnovne teorijske perspektive, kako ih danas vidi Creswell
(2003), i prikazati ih u nešto modifikovanom obliku u tabeli 2.
U tabeli 3 prikazana je Stembergova (2001) podela klasičnih psiholoških
perspektiva i njihovih glavnih osobina. To su klasične perspektive širokog obima,
jer su npr. strukturalizam i funkcionalizam prisutni ne samo u psihologiji, nego u
svim društvenim naukama, pa i van njih.
Tabela 4 sadrži „nove psihološke perspektive” (po Stembergu, 2001), od
kojih su neke, kao bihejviorizam, imale snažan uticaj na sve nauke o ponašanju.
Perspektiva Ključna svojstva Ključne metode
• Osnivači
P ostpozitivizam Kritičlci realizam: znanje o ponašanju je uvek Eksperiment; primamo
• Auguste Comte, nesavršeno i pogrešno, zato apsolutna istina nije kvantitativne metode uz prihvatanje
John Stewart Mill, moguća; „statistički determinizam”; redukcija kvalitativnih; merenje
Emile Durldieim, Rudolf Camap, fenomena na mali skup ideja; provera teorije
Thomas Kuhn, Karl Popper...
K onstruktivizam Relativizam; razumevanje različitih i višestnikih Kvalitativne metode; neposredno
• Merton, Mannheim, Piaget značenja koje pojedinici konstruišu o svojim posmatranje; intervjui; otvorena
iskustvima; teorija se gradi induktivno na osnovu pitanja; naracija
interakcija istraživača sa učesnicima i
participacije istraživača u društvenim procesima
Z astupničko/učesnička Preplitanje sa politikom; preraspodela dmšU'ene Kvalitativne metode; saradnja; CD
• Marx, Adomo, Marcuse, moći u korist marginalnih grupa; učestvovanje interakcija; dmštveni i politički rad
Habermas (participacija) u dmšrvenim procesima; društvena
promena
P rag m atizam Usredsredenost na problem a ne na metode i Mešovite metode, sve koje „rade”
• James, Dewey, Mead, Pierce pristupe; znanje proističe iz akcija, situacija i
njihovih posledica; cilj je da se promeni subjekt
Perspektiva Ključna pitanja Ključne metode Ključne kritike
• Osnivači prikupljanja podataka

S tru k tu ra liz am Priroda svesnog; analiza Introspekcija Suviše mnogo osnovnih oseta; nedostatak
• W iIlieImW undt, svesti u njene konstitutivne (samoposmatranje) sredstava za razumevanje procesa
• Eđward Titciiener elemente (osnovne osete) mišljenja; nedovoljna primenjivost na
svet izvan laboratorije; isključiva
upotreba introspekcije
F unkcionalizam Mentalne operacije; Sve koje daju rezultat Previše defmicija rtči funkcija; preterana
(i njegov naslednik, praktična uloga svesti; fleksibilnost u korišćenju previše
pragmatizam) ukupan odnos organizma i različitih metoda, što rezultira slabom
• W illiam James sredine eksperimentalnom koherencijom;
• John Dewey preteran naglasak na primenjenoj
psihologiji; nedovoljno fundamentalnih
istraživanja
A socijacionizam Mentalne veze između dva Empirijske strategije, Prevelika pojednostavljenost; ne
• Hermann Ebbinghaus događaja ili dve ideje, koje primenjene na objašnjava kogniciju, emocije ili druge
• Edv/ard Lee Thomdike ; dovode do oblika učenja samoposmatranje i psihološke procese
• Ivan Pavlov studije životinja

Tabela 4. - Nove psihološke perspektive.

Perspektiva Ključna pitanja Ključne metode Ključne kritike

• Osnivači

B ihejviorizam Opazivo ponašanje Eksperimentalna; jak naglasak Ignoriše i ne istražuje unutrašnje uzroke
• Jolin Watson na životinjske subjekte ponašanja; ne priznaje socijalno (na
• B. F. Skinner osnovu posmatranje) učenje; ne objašnjava
mnoge aspekte Ijudskog ponašanja (npr.,
usvajanje i upotrebu jezika ili uživanje i
divljenje prema muzici i drugim
umetnostima)

G eštalt psihologija H o listič k i k o n c e p ti, ne E k sp e rim e n tisa n je i M a lo p o d a ta k a p o tte b n ih d a b i se te o rija

• Max Wertheimer sam o k a o z b ir d elova, p o sm a tra n je (veći n a g la sa k n a o d b a cila; n e d o sta ta k e k sp e rim e n ta ln e
• K urtK offka n e g o k a o fe n o m e n ko ji o p a ža n ju h o listič k ih p o d a ta k a k o n tro le ; n e d o sta ta k p re c iz n ih d e fm ic ija i
• W olfgang Kohler p o sto ji s a m p o sebi n eg o n a k o n tro li v a rijab li) k o rišć e n je c irk u la m o g z a k lju č iv a n ja

K ognitivizam R a z u m e v a n je k ak o E k sp e rim e n tisa n je i n e p o sre d n o E m o c ije , d ru štv e n i o d n o si i d ru g i a sp e k ti

• Herbert Simon Ijudi m isle ; k ak o se p o sm a tra n je , p rv e n stv en o Ijudi i Ijudskog p o n a ša n ja n is u istra ž iv a n i o n a k o
• G e o rg e M ille r z n an je u č i, stru k tu rira , p rim a ta inte& zivno k a o što su k o g n itiv n i a sp e k ti
• U b ric N e iss e r p a m ti i k o risti k o ji su o č ig le d n iji; n e p o sre d n o
p o sm a tra n je u m a n ju je n a u č n u stro g o st i
k o n tro lu
 l- i
Perspektiva Ključna pitanja Ključne metode Ključne kritike
• Osnivači
♦

Biološka psihologija Biološke interakcije Eksperimentacija; studije na Trenutno nisu obuhvaćeni svi aspekti 2
(D
• Roger Sperry tela i duha, posebno Ijudima i životinjama; Ijudskog ponašanja; mnogi aspekti se ne O
o

• Eric Kandel kao funkcije mozga i neurofiziološka i neurohemijska mogu etički sprovesti na Ijudima, a nalazi fD
in '
nervnog sistema istraživanja mozga na životinjama se ne mogu uvek
generalizovati na Ijude N<
<■
flj

Evoluciona psihologija Evolucione osnove Plauzibilno zaključivanje; Nalaze je teško empirijski odbaciti; £u"
eksperimentacija; ankete preterana spekulativnost •O
o3
• Leda Cosmides Ijudskog ponašanja
OI
• David Buss U)t
0)
13

P sihodinam ska Razvoj ličnosti; Psihoanahza, bazirana na Prevelik naglasak na seksualnosti; prevelik Dj'

psihologija psihoterapija; studijama kUničkih slučajeva oslonac na studije slučaja; suviše uopštena;
• Sigmund Freud otkrivanje nesvesnih teško se naučno istražuje; previše se
iskustava oslanja na teoriju

H um anistička Slobodna volja i KHnička praksa, posmatranje, Teorije nisu posebno opšte; ograničeni
psihologija s amo aktuah zac ij a studije shičaja; holistički a ne fond istraživanja
• Abraham Maslow čovekovog analitički pristup
• CarlR ogers potencijala; svesno a
ne nesvesno iskustvo
 3. Izbor opšteg pristupa istraživanju

U didaktičkom tekstu, kao što je ovaj, prirodno je reći da se opšti pristup

istraživanju izrot^i iz^svpjene teorijske perspektive. Isto tako, didaktički rečeno,
iz usvojenog opšteg pristupa se izvode nacrti i metode istraživanja. Međutim, u
prethodnom p'oglavlju je ’ rečeno da postoje prečice i povratne staze, zbog kojih
istraživači nekad mogu" a nekad moraju da krenu od problema, pa iz njega,
obrnutim redom, da biraju prvo rfietbde, pa pristup, pa perspektivu.
Postoje tri opšta istraživačka pristupa:
• kvantitativni,
• kvalitativni i
• mešoviti.
Prema ova tri pristupa se nazivaju istraživanja u celini, pa i grupe istraživač-
kih nacrta i metoda. Podela na kvantitativna, kvalitativna i mešovita (hibridna)
istraživanja je standardna u savremenim naukania o ponašanju i u savremenim
metodološkim udžbenicima. Ova podela je opštija od onih koje se baziraju na
strukturi istraživanja, mestu ili metodama istraživanja, jer se odnosi na razlike u
opštem epistemološkom pogledu od koga istraživač polazi. Zb^g toga se kvantita-
tivna i kvalitativna istraživanja razlikuju u svim fazama, od pregleda literature do
piFanj'a^žaključaka; Ipak^te razlike obično nisu velike i mnoga istraživanja obično
samo teže ka jednom riolu~kvantitativhom ili kvalitativnom, ali nijednom ne
pripadaju u celirii.*'

b. Kvantitativna istraživanja

Savremena kvantitativna istraživanja u naukama o ponašanju počinju sa

filosofskim pravcem pozitivizmom, a nastavljaju sa neo-pozitivizmom i postpozi-
tivizmom, te da se, generalno, oslanjaju napostpozitivističkii teorijskuperspektivu
(v.). Logički pozitivizam je krajem XIX i početkom XX veka izvršio veliki uticaj
na empirijske nauke (važna imena logičkog pozitivizma su spomenuti A. Comte,
zatim J. S. Mill, E. Mach, R, Kamap, L. Witgenstein i B. Russell). U osnovi pozi-
tivizma je stav da se nova saznanja o svetu mogu postići samo na osnovu iskus-
tvenih činjenica („les faits positives”, po rodonačelniku pravca Augusteu Com-
teu). Znanje i saznanje mogu da potiču samo iz dva izvora: a) empirijskog
iskustva i b) iogičkog rezonovanja. Logičko rezonovanje se oslanja na simboličku
logiku i matematiku, ne označava nikakvo iskustvo, pa dakle ništa ne govori o
svetu, ali služi za organizovanje i sistematizovanje empirijskog iskustva.
Potrebno je malo objasniti povezanost pozitivizma i kvantitativnih istraži-
vanja. Može se reći da su sva istraživanja koja se pozivaju na post-pozitivističku
paradigmu kvantitativna. Medutim, obično se izbegava da se kaže da su sva
kvantitativna istraživanja pozitivistička. Razlog je taj što su u „praksi” mnoga
istraživanja mešovita. Istraživači teže da budu pragmatični sami po sebi i kvan-
tifikuju pojave kad god mogu i kad god je to korisno. Kao što smo videli, postoji
paradigma pragmatizma, koja se upravo zasniva na primeni mešovitih istraživa-
nja. Takođe, mnoge kvalitativne metode se mogu koristiti na kvantitativan način,
recimo intervju (v.), tako da će istraživanja koja ih koriste biti barem delimično
kvantitativna.
Ipak, ostaje činjenica da iza kvantitativnih istraživanja dominantno stoji
jedna teorijskaperspektiva- pozitivizam. Pozitivizam je pretrpeo promene tokom
svojih 150 godina razvoja, ali je opšte filozofsko utemeljenje kvantitativnih istra-
živanja ipaknmogo homogenije od kvalitativnih istraživanja, iza kojih stoji veliki
broj različitih a sličnih i specifičnih a nedovoljno formiranih paradigmi.
Postpozitivizam ima skeptičan stav prema mogućnosti da se dostigne apso-
lutna istina. Osnova za tu skepsu je to što naša neposredna iskustva, koja su isto-
vremeno jedini pravi izvor saznanja, ne mogu da nam pruže dokaze o tome šta
svet stvamo jeste. U pogledu shvatanja istine, pozitivizamje, aposebnopostpozi-
tivizam, iako možda izgleda paradoksalno, modemi agnosticizam, ili barem
relativizam- znanju se mora i može težiti, ali se nikada u potpunosti neće dostići.
Kao operacionalizacija pozitivizma u psihologiji nastao je značajan pravac
bihejviorizam (za čijeg začetnika se smatra John Broadus Watson), koji je imao
reperkusije na sve dmštvene nauke. U svom izvornom obliku, bihejviorizam je
odbacivao introspekciju i tzv. mentalističke pojmove (misli, osećanja). Otuda
tadašnji bihejvioristi nisu mogli pitati ispitanike šta misle i osećaju, jer bi u tom
slučaju naučnu istinu bazirali na introspekciji (koja je nenaučna jer je nepro-
verljiva) i na pojmovima koji se dešavaju u njihovim glavama (koji su takođe
nenaučni jer su neproverljivi).
Takav pristup, koji odbacuje introspekciju i mentalističke pojmove, bio je
suviše radikalan i kao takav nije opstao. Medutim, njegov ključni doprinos je
ostavština koja nalaže da se bude vrlo oprezan kada se zaključuje o tome šta se
dešava ,,u glavama” Ijudi.
Postpozitivizmu su bliski pojmovi induktivno-hipotetičko-deduktivne
gradnje teorije, merenja, eksperimenta, matematike i statistike, analize (odnosno
redukcionizma), egzaktnosti i empirijske provere teorije, dok su mu strani pojmo-
vi .spekulacije, introspekcije, empatije, interakcije i ličnih značenja. Posredno i
nefonnalno, pozitivizmu su strane „velike reči”, autorska nadahnuća i inspiracije.
On podrazumeva objektivnost i vrednosnu i političku neutralnost.
Kvantitativna istraživanja su usmerena na sticanje znanja putem posma-
tranja i merenja fizičkog, neposredno opazivog, manifestnog sveta. Zaključci se
mogu odnositi na „nevidljivi svet” (na primer, latentne varijable), ali se moraju
donositi samo na osnovu prikupljenih činjenica ili egzaktno izvedenih kombi-
nacija tih činjenica. Ideal kvantitativnih istraživanja je utvrđivanje odnosa uzroka
i posledice medu pojavama, ma koliko taj ideal bio teško ostvariv.
Ne postoji opšte usaglašeni spisak osnovnih karakteristika kvantitativnih
istraživanja, ah možemo se opredeliti za jedan koji izgleda uverljivo:
• ideje, teorije i hipoteze se testiraju empirijski.
 • traže se zakonitosti i pravilnosti koje važe za sve slučajeve, a ne samo
zapojedince,
• istraživanja se planiraju i sprovode sistematski i precizno,
• sve procedure se dokumentuju i javno objavljuju, sve pretpostavke se
ekspliciraju i objašnjavaju (ništa se ne podrazumeva), značenje svih termi-
na se do kraja objašnjava, prvenstveno operacionalno,
• zadržava se skeptičko stanovište prema postojećem znanju i
• istraživanja se ponavljaju kako bi se izgradila teorija.
Pažljiv čitalac će iz ovog zaključiti da su kvantitativna istraživanja dobro
kontroiisana, generalizabilna, precizna, lako ponovljiva, jasna i pregledna, i imaju
jasnu i preciznu metodologiju.

c. K valitativna istraživanja

Fenom enologija.- Za kvalitativna istraživanja se najčešće kaže da se osla-

njaju na fenom enološkipravac u filozofiji (čiji je začetnik bio Edmund Husserl,
početkom XX veka). Fenomenologija počinje od tvrdnje da „istina postoji
nezavisno od našeg saznanja”. Fenomenologija je u osnovi objektivni idealizam,
koji objektivni svet vidi kao duh. Međutim, Husserl i njegovi naslednici izvršili
su jednu ključnu dopunu fenomenologije kao vrste idealističke filozofije. Oni su
joj dodali intencionalnost. Intencionahiost znači da se svest javlja uvek kao „svest
o nečemu”. Nema svesti (pa ni znanja) koja je izolovana u glavama Ijudi. Svest i
stvamost su neraskidivo povezani putem intencionalnosti. Pod intencionalnošću
se ne podrazimievaju želje i namere, kao u kolokvijalnom govoru, nego to da je
svako naše iskustvo „iskustvo o nečemu”, svi naši mentalni procesi se odvijaju
neodvojivo povezani sa objektima na koje se odnose. Iz toga sledi važna posledi-
ca da su duh i svest javni, dostupni svim Ijudima, jer dele nešto što je zajedničko
- intencionalnost. Intencionalnost nam omogućuje da utvrdimo ono što je
zajedničko svima nama, a ono što je zajedničko, to je stvamost. Iz ovoga, opet,
slede dva važna rezultata: a) stvarnost možemo saznati jer je ona direktno poveza-
na sa duhom i b) znanja o svetu mogu biti objektivna jer su javna. Husserl i
njegova fenomenologija su odigrali veoma značajnu ulogu u razvoju naučne
mish, suprotstavljajući se agnostičkim i spekulativnim pravcima, s jedne strane i
pozitivizmu, s druge.
Fenom cnoška m etoda.- Fenomenologija, dakle, tvrdi da se analizom duha
- svesnih doživljaja - iskustva - može spoznati istina o svetu. Da, ali kako? Da li
su svaka svest i svako znanje pravi? Nisu. Stvamost se saznaje putem fenomeno-
loške metode. Husserlova inicijalna zamisao je da se fenomenološka metoda
zasniva na dva osnovna proeesa:
• ,,stavljanju u zagrade” i
• fenomenološkoj redukciji.
 Proces „stavljanja u zagrade” (grčki epoche) obuhvata uklanjanje svih
prethodnih znanja, iskustava, ideja, pretpostavki i predrasuda o predmetu izučava-
nja, kako bismo ga mogh posmatrati onakvog kakav on jeste. Zadatak je posma-
trača, bilo da je on istraživač ili ispitanik, da svoje doživljaje opiše kao potpuno
naivan posmatrač (Langdridge, 2004, Radonjić, 1968). Srž epoche je simmja; ne
sumnja u sve i svašta, nego sumnja u „zdrav razum”, u kolokvijalna uverenja,
svakodnevna uverenja, strasti i pristrasnosti.
Fenomenološka redukcija se, sasvim jednostavno, bazira na svodenju
pojedinačnih iskustava na opšte iskustvo. Ona se bavi našim svesnim iskustvima,
tražeći u njima suštinu. Naša su iskustva korelati stvarnosti i kada ih očistimood
uverenja, verovanja, tradicije i prakse, pojaviće se svet „čistih suština”, odnosno
istine. Ključ za redukciju je u ponovljenim razmalranjima svesnog iskustva o
fenomenu. Skidajući stahio iznova sloj po sloj površnih značenja, stižemo do
onoga što fenomen nama stvamo znači.
Konačni cilj fenomenološke metode je: a) detaljan tekstualni opis svih tema,
b) koji sadrži sve teme i značenja pojave koja se istražuje pojedinačno, ali i c)
celovit i uopšten opis pojave - ono što je rezuUat fenomenološke redukcije.
Fenomenološka metoda, koja je imahi za ci!j da naivnu svest dovede do
kritičkog puta ka istini, bila je i ostala jedan od glavnih oponenata pozitivizmu,
ali i spekulativnim filozofskim, gnoseološkim i epistemološkim pogledima
(Marković, 1981). Kada se danas za neko istraživanje kaže da je fenomenološko
onda se u pr\'i plan ističu njegova nastojanja da razume subjektivno iskustvo
ispitanika o okruženju u kome se nalaze i da celovito i bez predrasuda prikaže
ono što je utvrdeno.
Socijalni k o n stru k tiv iza m .- Socijalni konstruktivizam , ili samo
konstruktivizam, je još jedna od savremenih, tzv. „novih” paradigmi u društvenim
naukama, koje imaju za cilj da se suprotstave „staroj” paradigmi - pozitivizmu.
Danas se mnoga kvalitativna istraživanja oslanjaju na konstruktivističku paradig-
mu. Socijalni konstniktivizam polazi od osnovne pretpostavke da su svi čovekovi
„proizvodi” socijalno uslovljeni, pa tako i nauka, stavovi, mnjenja i znanja. Isto
tako, društvene pojave su, same po sebi, uslovljene istorijskim i socijalnim okol-
nostima. Zato se društvene pojave mogu spoznati jedino tako što će ih pojedinac
konstruisati u interakciji sa socijalnim okruženjem. Ne samo to, Ijudi uvek kon-
struišu svoju društvenu stvarnost na osnovu interakcije sa drugim Ijudima. U
terminologiji konstruktivizma obično se koristi termin značenje, pa se kaže da
pojedinac konstruiše značenje neke socijalne situacije. Ta značenja su socijalno
uslovljena, promenljiva i pojedinačna.
Zadatak istraživača je da konstruiše jedno opšte značenje neke društvene
situacije, a na osnovu prikaza te situacije od strane ispitanika i analize njihovih
značenja. Važan element konstruktizma je jezik, jer ne samo što se jezik koristi
kao medijum interakcije sa subjektima, nego se jezik analizira da bi se otkrila
opšta značenja, diskursi, društveni odnosi i sl,
Tipično konstruktivističko istraživanje u sociologiji počinje evaluacijom
neke određene društvene postavke, identifikujući interesne ili neke druge grupe.
 Istraživač uči šta grupc misle i kako se ponašaju i nastoji da izgradi ono što je
zajednički pogled na problem istraživanja. Tok konstruktivističkog istraživanja se
često prikazuje ,Jiermeneutičkim krugom”. Po tom krugu istraživač prvo sprovodi
nestmkturisani ili polustrukturisani intervju sa prvim ispitanikoni da bi ustanovio
njegovu „konstrukcijii” problema koji se istražuje. Taj ispitanik zatim predlaže
sledećeg ispitanika, za koga zna ili prctpostavlja da misli i oscća sasvim druga-
čije. Istraživač njega intervjuiše na isti način, ali ga pita i da komentariše stavove
prethodnog (prethodnih) ispitanika. Postupak se ponavlja dok se ne ispitaju svi
ispitanici, a može i da se ponovi. Konačni proizvod je „prikaz slučaja” (engl. case
report), koji nc sadrži cgzaktnc (brojčanc) podatkc kao u postpozitivističkom
izveštaju, nego doživljaj problema kod učesnika, koji uključuje njihova oscćanja,
motive, razlogc i objašnjcnja.
Konstruktivizam se od fenomenologije razlikuje po tome što on insistira na
tome da sc značenja konstniišu, a ne otkrivaju. Sledstveno tome, konstruktivizam
sugeriše da istraživač mora biti u intenzivnoj interakciji sa subjektima i da njegov
odnos mora biti „emetičan”, a ne posmatrački (Stojnov, 2001, Langdridge, 2004,
CresweII, 2003).
Još ncka svojstva kvalitafivnih istraživanja.- Fenomenologija i konstruk-
tivizam nisu jedine teorijske perspektive na koje se pozivaju kvalitativna istraži-
vanja. Tu su još i 1) fcminizam, 2) zastupničko/učesnička paradigma, 3) ,,quecr”
teorija (koja se bavi pitanjima polova) itd. Ne samo da postojc brojni pogledi koji
pretenduju da budu teorijske perspektive, nego se i postojeći pojavljuju u zabri-
njavajućc velikom broju varijanti (zabrinjavajuće sa stanovišta istraživača koji
trcba da se opredeli). U sociologiji i sličnim disciplinama se vrlo visoko kotira
kriterijum „političke korcktnosti”, a ne sarno epistemološki kriterijumi koje smo
ovdc pobrojali. Od istraživača se zahtcva da zadovolji ideološke principe Ijudskih
prava, ravnopravnosti polova, jednakosti, slobode i dr.
Fenomenologiji, konstruktivizmu i svim drugim kvalitativnim paradigmama
su bliski pojmovi značcnja, ličnih iskustava, introspekcije, celovitosti (molarnosti,
a nasuprot molekulamosti), pronicanja u suštinu, posmatranja i opisivanja, dok su
joj strani pojmovi mcrenja, statističke obrade, eksperimenta, analitičkog rašlanji-
vanja pojava i objašnjcnja putcm kauzalnosti (Langdridge, 2004, Woodworth i
Shcehan, 1971).
Za kvalitativna istraživanja se podrazunieva da sc sprovode lui terenu, tamo
gde ispitanici žive. Kvaiitativna istraživanja su, takodc, po definiciji eksplonitiv-
na. Da bismo čuli šta ispitanici govore i dabism o izgradili svoje razumevanje na
osnovu onoga šta oni govore, nc možemo i ne smemo imati prctpostavke o tomc
šta će oni reći.
Dmštvene nauke se razlikuju po tome koliko koriste kvalitativna istraži-
vanja. Na primer, u psihologiji se trenutno kvalitativna istraživanja procentualno
malo koriste. Da bi sc to razumclo, treba imati na umu da je psihologija locirana
izmedu prirodnih i društvcnih nauka i da se značajan broj psiholoških istraživanja
bavi objektivno merljivim varijablama - neurorizološkim, humoralnim, psiho-
fizičkim itd. Kvalitativni pristup, naravno, ne postoji u prirodnim naukama - on jc
jedan od pokušaja suočavanja sa teškoćama koje postoje u istraživanju Ijudskog
ponašanja i društva.'^
Ipak, postoji trend porasta broja kvalitativnih istraživanja u psihologiji.
Zastupljeni su i glavni pravci, kao npr. fenomenološka psihologija, konstruktivi-
zam, diskurzivna psihologija itd. Kvalitativna istraživanja se u psihologiji
najčešće bave mentalnim sadržajima i značenjima, uzimajući ih celovito i
tretirajući pojedinca kao celovitu ličnost. Prirodno je što sc ovaj interes za
značenja pretočio u interes za jezik i upotrebu jezika. Ova istraživanja se, takođe,
zasnivaju na aktivnoj konstrukciji znanja kroz aktivno suočavanje sa pojavama.
Istraživač nastoji da očuva prirodno okmženje Ijudi koje istražuje, a cilj mu je da
otkrije značenja koja Ijudi pridaju svom ponašanju (Kerlinger i Lee, 2000).
U ovoj knjizi je najveća pažnja posvećena kvantitativnim istraživanjima i
njihovoj metodologiji. Razlika kvantitativno-kvalitativno ne može se redukovati
samo na razliku fenomenologije i postpozitivma - daleko od toga. Prikupljanje
podataka putem merenja, objektivnost, dokazivanje teorije i proveravanje nalaza
nisu samo „vlasništvo” pozitivizma ili nekog određenog filozofskog pravca, nego
su ugrađeni u sve moderne nauke, pre svega u prirodne nauke. Zbog toga će svaki
tekst koji prvenstvo daje objektivnosti, proverljivosti, odbacivosti, ponovljivosti
i opštosti (generalizabilnosti) imati naglasak na kvantitativnim istraživanjima i
metodama.

d. Mešovita istraživanja

Konačno, ideja o hibridnim ili mešovitim istraživanjima dobila je na

zamahu kada je postalo jasno, krajem XX veka, da žućna debata na liniji kvantita-
tivno-kvalitativno više zamagljuje problem saznanja, nego što mu pomaže. Kao
što se moglo očekivati, filozofski pravac koji stoji iza ovih istraživanja je
pragmatizam.
Pragmatizam je savremeni filozofski pravac i nije homogen. Po njemu
saznanje dolazi iz akcija, situacija i njihovih posledica. U metodološkom smislu,
centralni pojam istraživanja je problem, a ne metod. ,,Sve metode su dozvoljene”
ako dovode do rešavanja problema, naravno, pretpostavlja se, društvenog. Istina
je ono što u jednom trenutku „radi”. Istraživač planira svoj rad na osnovu svrhe,
odnosno željenih ciljeva, i na osnovu njih ima punu slobodu da bira pristupe i
metode koje koristi. Pri tome, osnovni cilj je uvek da se „promeni subjekf’.

Spekulativnost i inspirativnost, koju laička javnost lako uočava o donienu fizike

(na primer, u pogledu tcorije stnjna), nc Ireba olako porcditi sa kvalitativnini paradigmama
u dmštvcnim naukama. U fizici se ti „kvalitativni” mcnlalni procesi koriste samo u domcnu
poslavljanja hipoteza, odnosno kao „probna objašnjenja” dosada poznatih činjenica i, još
višc, sukoba činjcnica. Hipotcze u fizici mogu biti vrlo udaijeite odpodataka, spckulalivne
iproizvodautorovih„značenja”, alilrebaobratiti pažnjunato: a) da se u fizici podrazumeva
da onc moraju biti empirijski dokazane i b) da se one javljaju u onini oblastima fizike u
kojima nema đovoljno podataka, tj. koje su u začetku. ,
 Nije samo pragmatizam u filozofiji doveo do kombinovanja jjiisiapa i
metoda, pa i kvantitativnili i kvalitativnih. Ukupno iskustvo razvoja društvenih
nauka tokom X X veka i objektivna analiza naučnog saznanja nije potvrdila da
podela na kvalitativno-kvantitativno ili narativno-Iogičko-naučno čini distinktne
tipove istraživanja, niti je potvrdila da bi takvi distinktni tipovi istraživanja bili
nauci korisni. Oni se moraju posmatrati kao polovine jednog kontinuuma, pri
čemu većina metoda sadrži elemente i jednog i drugog. Stanje svesti na prelazu
dva milenijuma je takvo da socijalni istraživači moraju imati mullimetodski
pristup, da se do istine najbolje dolazi triangulacijom (kombinovanjem nalaza
dobijenih različitim metodama) i da prilikom projektovanja istraživanja uvek
treba razmotriti hibridne odnosno mešovite nacrte. Veliki broj razumnih istraži-
vača sa obe strane je uvideo da je za dobrobit nauke najbolje da se uzima iz
svakog modela ono što je najbolje i najprimerenije konkretnom problemu, ne
bežeći ni od jedne metode. Takav pogledje takođe pragmatičan, ali ne u smislu
filozofskog pravca koji smo upravo opisali.
Kerlinger i Lee (2000) navode tri tipa multimetodskih, mešovitih istraži-
vanja. Prvi tip je onaj u kome istraživanje počinje kao kvaUtativno, kada prikuplja
kvalitativne podatke, a završava kvantitavno, kada prikuplja kvantitativne
podatke da bi potkrepilo zaključke. Drugi tip ima obmut tok; počinje kvantitativ-
no, a završava kvalitativno sa ciljem da ilustruje i bolje protumači dobijene
nalaze. Treći tip se odlikuje uzastopnim i simultanim smenama kvantitativnih i
kvalitativnih faza. Jedna metoda može slediti drugu ili može biti ugneždena u
drugu. Slično, CresweII (2003), razlikuje sekvencijalne, konkurentne i transfor-
mativne procedure. U sekvencijalnim se počinje sa jednom metodom, pa se na
osnovu nje projektuje i razvija sledeća faza u kojoj se koristi drugi tip metode. U
konkurentnim procedurama se različite metode koriste simultano, a nalazi se
objedinjavaju radi bolje interpretacije. Transforrnativne procedure se, ustvari,
baziraju ne zasebnoj istraživačkoj paradigmi, koja je akciona, zastupnička i
učesnička u osnovi, pa se kroz nju slobodno tretiraju sve metode koje mogu da
doprinesu ciljevima istraživanja.
Nažalost, pokazalo se da mešovita istraživanja, sama po sebi, nisu prak-
tična. Multimetodski pristup je po pravilu dug i skup, što sprečava masovniju
primenu ove opravdane metodološke orijentacije.

e. Jo š neke razlike kvantitativnih i kvalitativnih istraživanja

U prethodnim pasusima su opisane razlike kvantitativnih i kvalitativnih

istraživanja koje oni „duguju” filozofskim praveima na kojima se zasnivaju. U
tom smislu se te razlike mogu tretirati kao epistemološke i duboko fundirane.
Ipak, tačno je da opredeljivanje za jednu ili drugu perspektivu često nije motivi-
sano fdozofskim načelima (o elementima koji utiču na izbor perspektive biće reči
u jednom sledećem poglavlju). Otuda se postavlja pitanje da li razlike u vrsti
istraživanja (pa i u istraživačkom opredeljenju za jedan od tipova) uopšte potiču
od filozofskih uverenja istraživača, ili je sve to skupa zbog izvesnog ličnog
opšteg odnosa prema svetu i saznanju. Sledeći problem sa razlikovanjem ova dva
tipa istraživanja je u tome što se na praktičnom nivou te razlike umnožavaju, i
vrlo često one ne slede upravo opisane bazične epistemološke razlike. Ukazaćemo
na nekoliko takvih važnih razlika.
Kao prvo, kvahtativna istraživanja preferiraju kvahtativne metode, a
k v a n tita tiv n a kvantitativne metode prikupljanjapodataka. M etodamaprikupljanja
podataka posvećena je posebna glava u ovoj knjizi i u njoj su izneseni neki
dodatni argumenti u debati kvantitativno-kvalitativno. Nije naodmet ponoviti da
mnoga istraživanja kombinuju metode i da se to danas u celini ohrabruje kada god
to cilj i predmet istraživanja zahtevaju.
Sledeća razlika na dimenziji kvantitativno-kvahtativno je u tome što se
često smatra da kvantitativne studije imaju vehke uzorke entiteta, a male uzorke
atributa, dok kvalitativne studije, obratno, imaju male uzorke entiteta, a velike
uzorke atributa. Obično sledi i važno dopunsko objašnjenje da kvalitativna istra-
živanja proučavaju pojave i/ili entitete intenzivno i dubinski, kroz interakciju sa
objektima merenja, pomoćii empatije i razumevanja. Međutim, ako usvojimo
tumačenja iz uvodnih poglavlja o pojmu entiteta i atributa i ako usvojimo opera-
cionalizaciju pojma atributa kao varijable, onda se ne čini da je pomenuti žargon
tačan. Postoje, naime, terenska i anketna istraživanja koja se obavljaju sa stotina-
ma, pa čak i hiljadama varijabli.
Kvalitativna istraživanja često imaju fleksibilan tok, dok je retkost da
kvantitativna odstupe od utvrđenog plana. Fleksibilnost kvalitativnih istraživanja
je u nekim slučajevima, kao npr. kod utemeljene teorije, važan deo njihove meto-
dologije. Međutim, fleksibihiost se može izložiti ozbiljnoj kritici je r iz nje sledi
da se kod kvalitativnih istraživanja ne zna gde će se stići, niti šta će se saznati.
U kvalitativnim istraživanjima se uzorak entiteta i posmatranja može defini-
sati tek na kraju istraživanja, a ne na samom početku, kao kod kvantitativnih
studija. Uzorak, kao osnova generalizabilnosti zaključaka (eksterae vahdnosti),
nije u kvaUtativnim studijama posebno važan. Ciljevi tih istraživanja nisu u doka-
zivanju i proverljivosti, nego u konstrukciji značenja i generisanju hipoteza.
Zastupnici kvalitativnih istraživanja kažu da je važnije da se obavi više intervjua,
nego da se ima više ispilanika.
Karakteristično za kvalitativna istraživanja je namerno uzorkovanje obje-
kata. Obično se kaže da izbor ispitanika treba da vodi teorija, odnosno da se u
uzorak uzimaju oni ispitanici koji će najbolje poslužiti razumevanju pojave koja
se ispituje. Zbog toga je generalizabilnost kvalitativnih studija uvek pod znakom
pitanja, a pristalice smatraju da eksterna validnost uopšte nije tema.
Umesto zaključka, može se reći da ako kvalitativne metode žele da izbegnu
brojeve, moraju se čuvati praznih reči, a brojeve moraju zameniti sistematičnošću
u svim aspektima istraživanja. Korisno je podsetiti se istorijskih uslova koje su
Good i Scates (1967) postavili pred ne-kvantitativne studije da bi se smatrale
naučnim istraživanjima.
 Moraju biti prikupljeni novi podaci i izvršena originalna posmatranja i
moraju se koristiti primami izvori podataka.
Mora postojati plan studije i sistematičnost. Moju se planirati kadrovi koji
učestvuju u istraživanju, pojmovi moraju biti precizno definisani, posmatra-
nja moraju biti objektivizirana i proverena (putem više posmatrača, ili
putem predefmisanih obrazaca i uputstava). Sistematičnost podrazumeva da
se o svim objektima prikupe isti podaci.
Rezultati moraju biti sumirani, inteipretirani i prikazani sistematično, uz
pomoći grafikona i tabela.
Rezultati se moraju uporediti sa prethodnim nalazima i sa nalazima drugih
autora.
Moraju se istaći sugestije i smemice za dalja istraživanja.
Opšti ton istraživačkog izveštaja mora odlikovati kompetentnost, kritičnost,
objektivnost, erudicija, uočavanje finih razlika i svojstava i poštovanje
pravila i stila naučnog rada.

4. Izbor strukture istraživanja i istraživačl<ih metoda

Pod stmkturom istraživanja podrazumevamo vrstu ili tip istraživanja, a neki

autori to nazivaju i istraživačkom strategijom. Tipovima istraživanja posvećena
su mnoga kasnija poglavlja. Da bismo čitaocu ukratko objasnili šta se naziva
strukturom ili strategijom istraživanja, navešćemo nekohko poznatih i važnih
istraživačkih strategija:
• eksperimentalna,
• ne-eksperimentalna,
• anketa,
• studija slučaja,
• utemeljena teorija,
• narativno istraživanje,
• sekvencijalno mešovito istraživanje itd.
Izbor stmkture istraživanja povlači za soboni i izbor metoda ili tehnika
prikupljanja podataka, kao što su:
• upitnici,
• testovi,
• intervjui,
• neposredno posmatranje,
• analiza sadržaja itd.

Teorijska perspektiva, opšti pristup istraživanju, istraživačka strategija i

istraživačke metode su povezane i često uzajamno uslovljene, ali ne stoje u
odnosu 1:1. Na primer, i.straživanje zasnovano na postpozitivističkoj paradigmi
biće najverovatnije kvantitativno, preferiraće eksperimentalnu, kvazieksperimen-
talnu ili korelacionu strategiju, a podatke će prikupljati prvenstveno objektivnim
instrumentima.

5. Na osnovu čega se vrši izbor

Kako dolazi do izbora neke teorijske perspektive, a zatim i istraživačkog

pristupa i strukture? Postoji niz uticaja kroz koje istraživač prolazi; počevši od
fakultetske nastave, oblasti stmčnog i naučnog interesovanja (klinička psiholo-
gija, urbana sociologija, komunikologija) ili opredeljenja za neku od teorija (npr.
psihoanaliza). Ovi uticaji se prepliću sa ličnim sklonostima ili nesklonostima,
zahtevima mentora, običajima itd.
Prilagođavanje problem u. - Međutim, nisu samo filozofske preferencije,
niti trebaju biti, presudne za izbor teorijske perspektive. Priroda konkretne disci-
pline nauka o ponašanju takode utiče na izbor perspektive. Recimo, istraživanje
čula i nižih kognitivnih procesa u psihologiji zahteva kvantitativna istraživanja
koja proističu iz postpozitivističke ih neke shčne perspektive. S druge strane,
istraživanja narodnih običaja u etnologiji (kultumoj antropologiji) sprovodiće se
kvahtativnom metodologijom, dakle pod konstruktivističkom ili fenomenološkom
perspektivom. Porcd toga, postoje izvesne tradicije i običaji u nekim oblastima,
koje diktiraju izbor odredene metodologije pa onda i perspektive.
Postoje istraživački problemi i ciljevi istraživanja koji diktiraju izbor jedne
ih druge perspektive. Na primer, ako je cilj istraživanja da utvrdi efikasnost
nekog novog nastavnog metoda, verovatnije je da će se usvojiti eksperimentalni
nacrt, koji je bhzak postpozitivističkoj perspektivi, nego fenomenološka perspek-
tiva koja je zasnovana na razgovorima sa učesnicima. Kad god je potrebno da se
litvrdi iznos u kome je prisutna neka pojava, ili u kome su pojave povezane, izbor
će pasti na perspektivu koja podržava kvantitativna istraživanja.
Nije bez značaja ni opšti nivo ih stepen razvijenosti podničja koje se
istražuje. Opšta tendencija u svim naukama je da se pi-va znanja prikupljaju
„čuhma”, kako bi se odgovorilo na pitanje ,,šta”. U početnim fazama razvoja neke
obiasti češće će biti birane neke perspektive u kojima je dominantno prikupljanje
mišljenja, značenja ili iskustava Ijudi - recimo konstruktivizam ili fenome-
nologija.
Treba reći da ncke istraživačke teme diktiraju izbor perspektive, ali je
mnogo češći slučaj upravo obrnut: teorijska perspektiva diktira oblasti istraživa-
nja. Recimo, biološka psihološka perspektiva se interesuje pi-venstveno za odnos
duha i tela, dok se kognitivistička psihologija bavi pitanjima mišijenja i učenja.
K ada primcniti kvalitativno istraživanjc, a kada ne. - Kvahtativna istra-
živanja su prvi izbor u situacijama kada:
a) 0 pojavi koja se istražuje nema dovoljno znanja ili
b) kada je pojava izuzetak od svih postojećih znanja.
 U oba slučaja kvalitativna istraživanja imaju deskriplivnufunkciju ifim kciju
stvaranja hipoteia H eo n ja . IJ drugom slučaju treba prevaziči jaz između onoga
što se zna i onoga što'se žBiva7najbolje postavljanjem novih hipoteza ili formu-
lisanjem novih tebrija..... .....
Takođe, kvalitativna istraživanja su optimalan izbor kada je „populacija”
veoma mala ili je nepozhate veličine, ili čak ako je dovoljno velika, ali je dostup-
nost njenih članova mala. ............ -
Ima iTinogo takvih primera kvalitativnih istraživanja. Recimo, istraživanje
pojava bliske smrti, kao što su ubrzano „odvijanje života” unazad, „lebdenje”
iznad vlastitog tela ili „kretanje” kroz tunel na čijem kraju je svetlo. Kada treba
razumeti probleme života Ijudi koji se redovno dijaliziraju, najbolje je sprovesti
kvalitativno istraživanje. Isto tako, da bi se proučila dinamika grupa kao što su
gangovi ili verske sekte često su korišćena kvalitativna istraživanja.
Kada se kaže da su kvalitativna istraživanja dobra za prikupljanje inicijalnih
znanja, onda se misli kako na nivou celokupne naučne oblasti, tako i na nivou
pojedinca - istraživača. Za ilustraciju možemo uzeti kuvanje po kuvaru. Neko ko
nema iskustva sa kuvanjem ustanoviće da su izrazi koji se stalno provlače u
receptima: „dinstati na laganoj vatri”, „kuvati dok ne omekne” ili „kad je gotovo
preliti buljonom”, potpuno nejasni. Recepti su recepti samo za onoga ko zna da
kuva. Slično je i sa empirijskim istraživanjima. Unatoč čvrstom epistemološkom
zahtevu o javnosti i ponovljivosti istraživanja, istraživački izveštaji nikad nisu do
kraja detaljni. lako se zahteva da sve bude objašnjeno i da se ništa ne podra-
zumeva, ipak u istraživačkim izveštajima često ostaje nejasno „kako se dinsta”,
„kada je omeknuto” ili ,,šta je buljon”.
Zato, kad istraživač počne da istražuje neku pojavu, njemu nedostaju lična
iskustva i saznanja iz te oblasti. Zato će njemu samom biti korisno da se upozna
sa pojavom tako što će otići na lice mesta, što će obaviti nekoliko intervjua,
organizovati diskusiju u obliku fokus grupa, ili analizirati sadržaj neke naracije -
ukratko, obaviće kvalitativno istraživanje.
S druge stranc, istraživač ne treba da se opredeli za kvalitativno istraživa-
nje ako žcli da generalizuje. Kroz celu ovu knjigu se naglašavaju različiti aspekti
kvalitativnih istraživanja koji ukazuju na to da ova istraživanja mogu da stvore
dubok, detaljan i celovit uvid u pojedinačnu pojavu, ali da nisu objektivna i gene-
ralizabilna.

C iljna javnost. - Pod ciljnom javnošću podrazumevamo publiku ili seg-

ment stručne, naučne pa čak i laičke javnosti kojoj se istraživač obraća. Šta više,
istraživači su prisiljeni da razmišljaju i mnogo specifičnije - o urednicima, mento-
rima, redakcijama ili recenzentima. U uvodnoj glavi smo rekli da je javnost suš-
tinska odlika naučnog metoda. Da bi nalazi istraživanja postali javni, oni moraju
da se napišu u odredenom formatu i da se objave, ili da budu prihvaćeni i odbra-
njeni ispred neke komisije.
 Svaki istraživač svesno ili nesvesno ima u vidu izvesnu javnost kada piše
istraživački izveštaj. Sasvim je prirodno da će nastojati da metodologiju
istraživanja, ali ne samo nju, saobrazi sa potrebama i očekivanjima te javnosti.
Kada je reč o redakcijama naučnih časopisa, treba reći da je pitanje izbora
perspektive i metodologije obično pitanje da li će rad biti objavljen ili ne. U ob-
lasti psihologije, u tom pogledu će apsolutniprioritet imati kvantitativna istraži-
vanja. Dakle, ako istraživač zna da će istraživački izveštaj objaviti u psihološkom
časopisu, onda je prihčno izvesno da se mora opredehti za kvantitativni pristup.
Lična iskustva i oprcdeljenja - „kadrovski problem ”. - Iz prethodnih
poglavlja znamo koje su razhke kvantitativnih i kvalitativnih istraživanja duboko
filozofski i epistemološki fundirane. Medutim, javna je tajna da opredeljivanje za
jednu ili drugu perspektivu često nije motivisano niti filozofskim načehma, niti
racionalnim sagledavanjem problema ili ciljne javnosti.
Istraživač koji je uložio dosta truda u okvinijedne paradigme, stekao znanja
i iskustva, izbegavaće da se upušta u nešto što ne poznaje i gde se ne oseća
siguran.
Takođe, neke metode „traže” istraživače sa izvesnim sklonostima. Na
primer, zastupničko/učcsnička paradigma zahtevaće istraživača koji ima smisla za
društveni rad, koji ima posebne motive ili naklonost prema marginahiim društve-
nim grupama, npr. Učesničko posmatranje, posebno ako je inkognito, takode je
primer metode koja nekome leži, a nekome ne. Isto se može reći za intervju ili
fokus grupc.
Poznavanje iipotrehe račimaraie danas, manje-više univerzalni zahtev koji
se postavlja pred svakog istraživača, bilo koju perspektivu da odabere. Međutim,
nije isto da li će računar biti korišćen samo za pisanje i pripremanje video-prezen-
tacije, ili će se koristiti za prikupljanje i analizu podataka, upravljanje laborato-
rijskim uređajima i sl. Tako danas i poznavanje računarstva može uticati na izbor
paradigme, pristupa i metoda.
Problem matematike - Nažalost, zvuči paradoksalno, ali izgleda da jak
generator razlika i žučnih debata između zastupnika kvantitativnih i kvalitativnih
istraživanja potiče od matematike a ne od društvenih nauka. Naime, kvantitativne
metode skoro bez razlike podrazumevaju primenu statistike u obradi podataka, a
u slučaju disciplina kao što je matematička psihologija, podrazumeva se i primena
drugih grana matematike. Statistiku ne pominjemo slučajno, jer je ona univerzal-
no orude za analizu individualnih razlika, široko primenjivano u naukama o pona-
šanju, ali, nažalost, istovrcmeno za mnoge istraživače, posebno žene, ozbiljan
kamen spoticanja.
Mnogi autori su ukazivali na postojanje dva osnovna stila mentalnog
funkcionisanja: nauaii i narativni. Vrlo je verovatno da će istraživač „koji ima
problema” sa korišćenjem statistike i primenom statističkih programa izbegavati
kvantitativne paradigme, a u okviru njih sofisticirane statističke metode i tehnike.
Istraživač kome leži literami način izražavanja smatraće da su narativna istra-
živanja njegov izbor.
 Postoji veoma jak kacirovski problem u pogledu primene statistike i
matematike, jer: a) matematika zahteva stil mentalnog flinkcionisanja drugačiji
nego što ga neguju društvene nauke i b) jer se u situaciji nepostojanja tog stila,
kroz negativna iskustva tokom školovanja, kod Ijudi stvaraju otpor, strah i
predrasude prema matematici (pedagoški psiholozi kao osobinu ličnosti tretiraju
„anksioznost prema matematici”). Otuda je, nažalost, izbor kvalitativnih metoda
često „negativan izbor,” motivisan izbegavanjem matematike i statistike.
U otporima prema statistici ima mnogo iracionalnog, preteranog i
neopravdano generalizovanog straha od matcmatike. U nekim naučnim sredinama
postoji izvesna očinska dobrodušnost, popustljivost i prećutno razumevanje za
istraživače koji „ne razumeju” foiTnule, makar se te formule sastojale samo od
četiri osnovne računske operacije. Rešenje za ovaj „kadrovski problem” nije ni u
prećutkivanju, ni u preuveličavanju. On se mora rešiti kroz obrazovanje i stalno
metodološko usavršavanje istraživača, s jedne strane, ah i organizacionom podrš-
kom kroz dopunske tečajeve, angažovanje metodoloških i statističkih konsul-
tanata, s druge.
Ne preterivati sa razlikam a. - Kasnije će u glavi o metodama biti ukazano
da razlike između kvalitativnog i kvantitativnog pristupa nisu uvek epistemološki
zasnovane, nego su pitanje preovlađujećeg stila i opredeljenja u okviru jednog
istraživanja. Informativan je stav da se „kvantitativni podaci najčešće prikupljaju
na osnovu kvahtativnih sudova, a većina kvalitativnih podataka se može kon-
vertovati u kvantitativne” (Trochim, 2005). Ne treba zaboraviti ni Rosnovva i
Rosenthala (2005), dva vrlo poznata metodologa, koji kažu da je njihova mantra:
mctodološki pluralizam i teoretski ekum enizam .
Trcba istaći još jednu značajnu činjenicu. Nakon što se u kvantitativnoj
studiji prikupe svi podaci i izvrše sve anaHze podataka, istraživanje ulazi u fazu
interpretacije nalaza i donošenja zaključaka. Konačna intepretacija nalaza je
krcativan čin u kome učestvuju sva znanja (činjenice), iskustva i intuicija koje
istraživač poseduje. Zakijučci su to bolji što su celovitiji i što bolje tumače pojavu
kojom se bave.
Student će ovde veoma lako uočiti sličnost sa zahtevima koje kvalitativni
pristup postavlja pred istraživanje: celovitost i razumevanje. Iz toga se vidi da u
svakom pristupu postoje elementi onog drugog i da u svakom istraživanju, koje
stvarno teži istini, postoje elementi i kvantitativnog i kvalitativnog pristupa.
 B. Varijabla

Pojam varijable se može proučavati u dva opšta konleksta. Jedaii kontekst je

merno-teorijski i statistički, a dmgi istraživački. U domenu teorije merenja i
statistike, varijabla je „izmereni konstrukt” i mora biti objašnjena sa stanovišta
porekla i prirode informacija koje su u njoj sadržane, sa stanovišta nivoa merenja,
oblika dislribucije podataka, kontinuiranosti, preciznosti itd.
U drugom kontekstu, istraživačkom, termin „varijabla” se koristi paralelno
sa pojmom „konstrukt”. U tom kontekstu istraživača interesuje prvenstveno
epistemološki i logički status koji varijable itnaju u istraživanju, odnosno uloga
koju one igraju u formulisanju odgovora na istraživačka pitanja.
Ova podela je uslovna i oba značenja koja varijabla ima u društvenim
istraživanjima se prepliću i podjednako su važna. O merno-teorijskom aspektu
varijable je već bilo reči u glavi o merenju, a pitanja nivoa merenja i tipa podata-
ka koje varijable sadrže provlače se kroz čitavu knjigu. U ovoj glavi će biti
posebna pažnja posvećena epistemološkom statusu varijabli.

1. Entiteti i atributi

Tumačenje pojma varijable mora početi od tumačenja nekih osnovnijih

pojmova. U skladu sa savremenom terminologijom to su pojmovi entiteta (odnos-
no objekta) i atributa. Uobičajeno je da se ta rasprava počne sa filozofijom starih
Grka kojom su procvali racionahiost, apstrakcija i dedukcija.
Aristotelovo delo je bilo kamen temeljac celokupne deduktivne metode. Taj
temclj se, opet, sa svoje strane oslanjao na pojam tipa, odnosno klase, odnosno
opšteg pojma (v. uvodni deo knjige). U tom iskoraku od mitske ka racionahioj
misU, išlo se na defmisanje i preciziranje sve opštijih pojmova i zatim silogističko
izvodenje nižih pojrnova. To intenzivno klasifikovanje i apstrahovanje je bio
nužan prvi čovekov korak u saznanju, je r čovek, kad misli racionahio, on pi'vo
mora da zna šta, pa tek onda zašto i kako.
Kasnije srednjovekovno insistiranje na deduktivnom metodu je odvelo
Ijudsko saznanje u metafiziku i sholastiku. Kao reakcija na takav razvoj stvari,
mudri Ijudi su počeli insistirati na induktivnom metodu, pa dakle i na empi-
rijskom metodu. Sledeći problem je bio u tome što se očigledno sva znanja nisu
mogla izvesti induktivno iz čulnog iskustva. To je dovelo do separacije uma na
iskustvena i na apriomo data saznanja. Shčno klatnu, rešenja su išla od deduk-
tivnog do induktivnog, od empirijskog do racionalističkog, ah se stiče utisak da
taj iterativni proces konvergira ka boljem i većem saznanju istine.
Ocem moderne nauke danas možemo smatrati GaHlea Gahleja (Galileo
Galilei, 1564-1642) koji je u svojoj knjizi Discorsi.e dimostrazioni matematiciie.
 kojaje objavljena u Lajdenu (Holandija) 1638. godine, objavio svoje istraživanje
slobodnog pada tela. U toj analizi, na primer, on je iz opštih hipoteza o zakoni-
tostima slobodnog pada izveo predikcije kao što su recimo ona da je pređeni put
tela koje pada srazmeran kvadratu vremena pada. Te predikcije je zatim empi-
rijski proverio. Zato se njegovo delo obično uzima kao početak modeme nauke,
bez obzira što je Francis Bacon (1561-1626) takođe uradio veoma mnogo na
postavljanju osnova emirijskog metoda, što je istakao značaj „tvrdoglavih činje-
nica” baziranih na iskustvu i time pružio intelektuatou bazu za prekidanje sko-
lastičke tradicije.
Kasniji tok je pokazao da su i induktivni i deduktivni pristup podjednako
značajni, isto tako i analiza i sinteza, ali su naučna znanja i dalje težila da budu
čista, izolovana, apstraktna i nepraktična. Promena tog stanja je bila postepena i u
njoj je veliku ulogu odigrao pojam slučaja. Pri tome se prvenstveno misli na
pojavu slučaja prilikom merenja, tj, one vrste praktičnog odnosa sa svetom koja
je modemoj nauci bila potrebna za provem starih i stvaranje novih teorija. Slučaj
je, kao prvo, decentrirao naučnu misao od prostog kauzaliteta i determinizma, a
kao dnigo, primorao ninoge nauke da razviju praktična rešenja za izučavanje
slučajnih varijabli.
Za razumevanje merenja važno je ukazati i na neke dmge aspekte razvoja
naučne misli od Aristotelovog racionalizma do modeme empirijske nauke. Radi
se o nastanku i utemeljenosti naših pojmova entititeta i atributa. Aristotelovi
tipovi podrazumevaju diskontinualnost i postojanje ,,po sebi”, dok su svojstva tih
tipova i sama razdvojena u zasebne tipologije.
Razvoj empirijskog metoda je iziskivao, upravo se zasnivao na tome, da se
atributi „pridruže” objektima. Jasno je da objekte (entitete) saznajemo preko
njihovih atributa, a da atributi ne mogu da postoje nezavisno od entiteta. Psiholog
Cattell u ovom kontekstu za tvorca diskontinualnog načina mišljenja smatra
Aristotela, a kontinualnog Galileja, pa ih po njima i naziva. Presudni aspekti
kontinualnog načina mišljenja su merenje i slučajnost. Kao što je ovde objašnje-
no, merenje i slučajnost su nerazdvojivo povezani. Jedna od stvari koja čoveka
stalno podseća na kontinualnost prirode je upravo slučaj. Slučaj je direktni
pokazatelj beskrajnog podzemnog okeana isprepletenih veza i uticaja. Uvođenje
slučaja u strukturu naučnog objašnjenja imalo je kao direktnu posledicu ireverzi-
bilnost procesa i zaključaka, a slučaj je uveden putem merenja. Prihvatanjem
slučaja čovek je morao prihvatiti i stalnu promenljivost prirode.

2. Od entiteta I atributa do ispitanika i varijabli

Kasnije će se videti (v. tabelu na str. 151) d aje osnovna matrica podataka u
naukama o ponašanju tipa entiteti x atributi. Ova elementama matrica zapravo
definiše dva prostora: jedan u kojem su objekti i drugi u kojem su atributi. Ne
samo da postoje zasebne statističke metode za svaki prostor, npr. faktorska i
klaster analiza, nego se unutar svake metode oba prostora javljaju na drugačiji
način.
E ntiteti. -E ntiteti, tipovi, ili objekti su u naukama o ponašanju obično Ijudi
(vidi uvodno poglavlje o tome šta su socijalna istraživanja). Pošto istraživači
Ijudima često postavljaju neka pitanja, za ove entitete se onda koristi izraz ispila-
nici. U naukama o ponašanju i u statistici često se koristi izraz objekt istraživanja.
Nažalost, u psihologiji se vrlo često Ijudi, kao objekti, često nazivaju subjektima,
što stvora terminološku konfuziju. Jedan dobar a uopšten izraz koji obuhvata sve
ove pojmove, a istovremeno sadrži kratko tumačenje o čemu se radi je jedinica
posm atranja. Jedinice posmatranja u naukama o ponašanju mogu biti:
• Ijudi,
• Ijudske grupe kao što su porodica, školsko odeljenje, sportski klub,
verska sekta,
• životinje,
• artefakti, kao što su poruke, knjige, fotografije, časopisi,
• geografske celine, kao što su gradovi, opštine, regioni,
• socijahie interakcije, kao što su brakovi, hapšenja, razvodi itd.
Nesretna okolnost je to što je termin ,jedinica posmatranja” predugačak i
nespretan za svakodnevnu i neformalnu upotrebu. Ahemativni naziv za jedinicu
posmatranja je jedinica analize, zato što je ona ne samo jedinica prikupljanja
podataka, nego i jedinica obrade podataka i interpretacije.
Celokupna logika istraživanja odreduje šta je osnovna jedinica posmatranja
u istraživanju. Medutim, istraživanje može imati višestruke jedinice analize ih
može koristiti i neke druge jedinice - recimo jedinice uzorkovanja (v.). U oblasti
statističke obrade podataka, pa i u statističkim programima, koristi se termin
sliičaj. Slučaj je slcup podataka o jednoj ili više jedinica posmatranja. Dobro je da
se pravi razhka između jedinice anahze i shičaja. Recimo, u anketnom istraživa-
nju jedinica anahze je ispitanik, a slučaj čine svi njegovi odgovori na postavljena
pitanja. Međutim, slučaj može obuhvatati sve podatke o jednom domaćinstvu,
dok su jedinice anahze u tom istraživanju bili pojedinci, članovi tog domaćinstva,
zatim nekretnine koje pripadaju domaćinstvu, kao i porodica koja tu živi u celini.
A tributi. - U pogledu termina atribut, u socijalnim istraživanjima se
umesto njega takođe koriste mnogi alternativni nazivi. Tu su pre svega svojstvo i
osobina. Nauke o ponašanju nemaju problema da utvrde šta su njihovi entiteti
(kao što ima fizika sa elementarnim česticama, ili astronomija sa nebeskim teli-
ma) - to su jedinke i njihove grupe. Pažnja je pre i iznad svega posvećena otkri-
vanju atributa tih entiteta. Većina tih atributa su skriveni, odnosno ne mogu se
direktno opaziti, niti spolja, od strane posmatrača, niti iznutra, putem introspek-
cije. Zato su atributi žiža interesovanja nauka o ponašanju i nazivaju se kon-
struktima (v. uvodnu glavu).
U novije vreme, nakon bumog razvoja empirijskog proučavanja ponašanja
živih organizama, uobičajilo se da se konstrukti alternativno nazivaju varijab-
 lama. Pojam varijable ili promenljive potiče izvomo iz matematike (algebre).
Međutim, onako kako se koristi u algebri, po pravilu se ne sreće u naukama o
ponašanju. Prvi razlog leži u tome što su algebarski izrazi, tj. jednačine koje se
koriste za prikazivanje fizičkih zakona i odnosa među podacima u prirodnim
naukama vrlo retki u naukama o ponašanju. Pojave koje se izučavaju u naukama
o ponašanju i dništvenim naukama ne stoje u kauzainim, odnosno funkcionalnim
odnosima sa drugim pojavama. Drugi razlog je taj što su svi podaci koji pred-
stavljaju individualne razlike po prirodi slučajne pojave i ne mogu se prikazati
determinističkim izrazima, nego samo statistički.
Termin varijabla je u društvene nauke došao iz statistike gde mu je puni i
tačan naziv slučajna varijabla (engl. random variabie). Slučajna varijabla se u
statistici definiše kao pravilo ili fijnkcija koja svakom ishodu u uzorku pridružuje
jednu vrednost. Iz toga možemo izvesti jednu strogu, statističku definiciju (slučaj-
ne) varijable u naukama o ponašanju:
Varijabla j e rezidtat merenja nekog atributa na skupu entiteta.
Kada se u naukama o ponašanju govori o empirijskim podacima o ponaša-
nju, oni su po pravilu organizovani u slučajne varijable. Slučajna varijabla je
takva varijabla koja sadrži podatke čije vrednosti ne možemo sa sigurnošću
predvideti. U matematici (teoriji verovatnoće) bi se kao primer slučajne varijable
naveo rezultat bacanja novčića. U tom slučaju bi varijabla sadržavala vrednosti P,
G, P, P, G, P,... (gde je P pismo, a G glava). Nakon neke od vrednosti, recimo P,
ništa nam ne govori koja će biti sledeća vrednost - postoji samo verovatnoća.
Analogno tom primeru bilo bi merenje telesne visine na grupi Ijudi. Kad
izmerimo visinu jednog čoveka, ne znamo koje će visine biti sledeći čovek.
Slučajna varijabla, dakle, nastaje merenjem nekog atributa-svojstva na
uzorku entiteta-objekata. Ako su entiteti Ijudi, onda slučajna varijabla sadrži
individualne razlike, čije smo izvore detaljno objasnili u prethodnimpoglavljima.
Ova precizna statistička interpretacija varijable je u izvesnoj koliziji sa
slobodnijim načinom upotrebe termina „varijabla” - kao konstrukta. Slučajna
varijabla je nešto konkretno i ne predstavlja sam atribut, nego sadrži podatke o
atributu. U kasnijim poglavljima ćemo videti da se varijablom ne nazivaju samo
atributi ispitanika, nego i događaji i uslovi, npr.: „bio na utakmici - nije bio na
utakmici”, „primio elektrostimulaciju - nije primio elektrostimulaciju”, „slušao
gradivo po novom programu - slušao po starom programu” itd. Za takve varijable
čak ne možemo reći da predstavljaju konstrukte. Srećna okolnost je u tome što
istraživači nemaju problema da intuitivno razumeju pojam varijable i da ga
pravilno koriste, bez obzira što epistemolozi imaju s time problema. U ovom
tekstu nećemo izbegavati da izraz „varijabla” koristimo umesto tennina kao što su
pojam, atribut, dogadaj, osobina ili svojstvo ali i u statističkom smislu, kao skup
podataka o nekoj osobini.
 3. Varijable i m erenje ponašanja

U uvodnim poglavljim a o defmiciji socijalnih istraživanja i individualnim

razlikama spomenuto je d a postoje problemi oko toga kako definisati čovekovo
ponašanje. Pošto je cilj ove knjige da sadrži što više „praktičnih” smemica za
sprovođenje empirijskih istraživanja u naukama o ponašanju, onda je teriTiin
„ponašanje” vrlo koristan da tikaže na to šta misiimo pod primenom empirijske
metode u naukama o ponašanju. Naime, empirijska istraživanja u toj oblasti
prikupljaju podatke o ponašanju Ijudi i životinja, cbraduju podatke, interpretiraju
ih i na osnovu rezuHata donose generalizacije. Opšta metodologija koja se koristi
u takvom naučnom kontekstu poseduje priličan stepen univerzahiosti, bez obzira
0 kojoj disciplini društvenih nauka se radi. S druge strane, ta opšta metodologija
se priHčno jasno razlikuje od metodologije istorijskih nauka, etnologije i kulturo-
logije, književnosti ili eseja o društvenim pitanjima.
Međutim, ako pokušam o da defmišemo šta je to čovekovo ponašanje, onda
ćemo naići na mnoge problem e. Neposredno ponašanje Ijudi je efememo, dakle
nestalno, vrlo različito i kompleksno, razudeno i višeslojno. Mi smo visoko adap-
tivni organizmi koji raspolažu širokimrepertoarom različitih reakcija, uključujući
1 one koje proističu iz svesnog odlučivanja. Pod ponašanjem se podrazumeva
kako znojenje dlanova, gestikulacija i brzina reakcije, tako i verbalna ekspresija -
od jačine govora, do sadržaja onoga što je rečeno. Pored toga, da bi se neka nauka
tretirala kao društvena, ja sn o je da se mora baviti onakvim ponašanjima koja su
društvena. Dakle, nije uvek, ili nije prevashodno od interesa ponašanje jedinke
kao takvo, nego njegove interakcije sa ponašanjem drugih Ijudi. U tom smislu su
od neposrednog interesa i ponašanja grupakao entiteta.
Cim smo gore spomcnuli verbalnu ekspresiju bilo je jasno da se tu podrazu-
meva i pisana reč. Ali ako se kao čovekovo ponašanje tretira i pisana reč, onda je
sasvim prirodno da se uzm e u obzir svaki drugi čovekov proizvod. Sve što čovek
radi i što proizovdi se m ože posmatrati kao simbol njega i njegovog dmštva.
Sada, kada razgovaramo o varijablama, možemo zaključiti da se varijable
mogu podeliti u odnosu n a vrstu i aspekt ponašanja koje merimo: a) varijable koje
nastaju merenjem ponašanja individua, b) varijable koje nastaju merenjeni pona-
šanja grupa i c) varijable koje nastaju merenjem proizvoda čovekove praktične
delatnosti.
U poglavlju o individualnim razlikama nabrojali smo glavne izvore indivi-
dualnih razlika. Tamo j e spomenuto da, posebno kada se radi o pojedincu,
njegovo ponašanje a) m ožem o meriti izvana (od strane spoljnog ocenjivača) ili b)
možemo prepustiti pojedincu da on sam pruži podatke o svojim osobinama
(mišljenjima, osećanjima).
Kada ovde govorim o o merenju, onda ga tretiramo krajnje uopšteno - od
primene mernih instrum enata do neposrednog posmatranja (videti poglavlje o
nepo.srednom posmatranju). Medutim, ako se držimo strožijeg pristupa, varijable
možemo klasifikovati n a a) one koje nastaju merenjem i b) one koje nastaju
posmatranjem.
 Slično tome, podela se može izvršiti i u odnosu na stepen objektivnosti. U
tom pogledu, varijable mogu da budu a) objektivne, u smislu da su nastale
mernom procedurom koja je ponovljiva u svakom trenutku i koja daje stabilne
rezultate bez obzira da to ko je izvršava i b) neobjektivne. Ova podela dobrim
delom korespondira sa podelom istraživačkih metoda na kvantitativne i kvalitativ-
ne i umesto izraza „podela”, trebalo bi koristiti izraz „dimenzija”. Naime, potpuno
neobjektivne metode i potpuno neobjektivne varijablo ne mogu biti naučne
metode i naučne varijable. Medutim, može se dozvoliti kompromis izmedu
infomiativnosti i objektivnosli, ukoliko služi svrsi naučne generalizacije. Otuda
se obično objektivnost ispoljava kao stepen nezavisnosti rezultata merenja od
učesnika u merenju (memih agenata i memih instrumenata) i uslova mcrenja.

4. Manifestne i latentne varijable

Kada su jedinice posmatranja Ijudi, onda osobine (atributi) koje se mere u

socijahiim istraživanjima mogu biti vidljive i dostupne direktnoj proveri - na
primcr; pol, starost, obrazovanje... Međutim, često"su osobine Ijudi koje se mere
u principu nevidljive i ne mogu se direktno meriti. Tada se obično nazivaju
latentnim osobinama, iii u okviru statistike socijalnih istraživanja, latentnim vari-
jablama (videti poglavlje o anahzi individualnih razlika). Takve varijable su
stavovi, motivacija, agresivnost itd. ;
Postoje dva tipična načina za konstmkciju latentnih iz manifestnih varijabh:
indiiktivni i deduktivni. Ove nazive smo dali uslovno, pa ćemo ukratko objasniti
na šta mishmo.
Tehnički rečeno, latcntne varijable se konstmišu na osnovu korelacija mani-
festnih varijabh (v. kasnije). Iz toga bi se moglo zaključiti da je put zaključivanja
generalno induktivan: od izmerenih činjenica ka zaključenim konstruktima.
Mcdutim, to najčešće nije tako. Induktivni način se koristi u korelacionim ih
eksplorativnim istraživanjima koja ne počinju od odredenih hipoteza o skiivenim
strukturama u podacima. Pored takvih studija, iskustvo mnogih istraživača govori
da se iz prikupljenih podataka mogu dervirati neočekivane nove strukture, odnos-
no latentne varijable, ali se isto tako često ne dobijaju očekivane strukture. Danas
se, zahvaljujući dostupnoj računarskoj podršci, istraživači obično „igraju sa
podacima”, variraju statističke tehnike i modele obrade, pa toičak danas ima i svoj
naziv: „kopanje po podacima” (engl. data mining).
Ima više razlog zašto se ovaj induktivni pristup ne koristi nmogo. Kao
prvo, on bi pretpostavljao nasumično prikupljanje podataka, pomoću nedefmi-
sanih memih instrumenata i podsećao bi na metodu „pokušaja i pogrešaka”.
Važniji razlog je taj što istraživači uvek raspohižu svojim ili tudim teorijs-
kim konstmktima osobina. Upravo se na tome zasniva dmgi, deduktivni pristup.
Po tom pristupu, istraživanje počinje tako što se latentna varijabla teorijski kons-
truiše. Na osnovu te teorije se izvode konzekvence, odnosno veze konstmkta sa
 drugim sličnim osobinama i ponašanjima koja taj konstrukt izaziva. Na kraju se
predikcije empirijski proveravaju tokom istraživanja.
Ako se radi o osećanju etničke distance, moraju se izvesti predviđanja o
mogućim iskazima i ponašanjima na koja etnička distanca može da ima uticaj.
Z a t i m se n a osnovu t i h predvidanja m o g u fo n T iu lis a t i pitanja koja će u nekoj
formi biti postavljena ispitanicima. Na primer ,,da li biste pristali na brak sa
osobom dotične nacionalnosti”, ili bi se od ispitanika moglo tražiti da rangiraju
nacionalnosti po „bliskosti”. Ova ponašanja, odnosno odgovori na pitanja, su
manifestna, bilo tako što se mogu direktno proveriti (kao na primer da li je ispita-
nik u braku sa osobom druge nacionalnosti), bilo tako što su rezultat svesne akcije
ili odluke ispitanika. Namie, mi po pravilu ne možemo direktno pitati ispitanika
„kolika vam je etnička distanca”, nego moramo „razbiti” tu latentnu osobinu na
niz jasnih i konkretnih manifestacija za koje se m oie pitati ispitanik da li ih
poseduje ili manifestuje. Varijable koje se dobijaju merenjem tih konkretnih
manifestacija se zato nazivaju mamfestnim vahjablama. U anglosaksonskoj lite-
raturi se ove varijable često nazivaju opservablama, zato što ih dobijamo
iskustveno, kao nešto Sto se može opaziti.
Ovaj pristup ili put: od teorijskog konstrukta do manifestnog ponašanja, pa
preko empirijske provere nazad do konstrukta, treba smatrati osnovnim u istra-
živanjima ponašanja.
Dakle, u procesu merenja, kada merimo latentne osobine, mi merimo
ponašanje koje emituju ispitanici. U tom slučaju, društvene istraživače u principu
ne interesuje manifestno ponašanje samo po sebi. Društveni istraživači mere
manifestno ponašanie da bi nomoću niega donrli do latentnih osobina koie gene-
rišu ili modulišu to ponašanie. Ranije smo, u glavi o individualnim razlikama,
objasnili mehanizam koji to omogućava.
Pojam „latentna varijabla” potiče od sociologa Paula Lazarsfelda i njegove
analize latentnih klasa koja je namenjena grupisanju ispitanika i nalaženju tipova.
Uopštavanjem metode latentnih klasa se došlo do metode analize latentne
strukture i do pojmova latentnih crta i latentnih varijabli. Potpuno analogni
pojmovi su kod Coombsa po]s.n\genotipa, kod Mac CorquodaIea i M eehla pojam
crte ili hipotetičkog konstrukla (a u manjem stepenu intervenišuće varijabie), a
kod Thurstonea faktora. Nasuprot tome, podaci koje dobijemo posm atranjem i
merenjem nazivaju se vanjskim ili manifestnim v a r i j a b l a m a , i l i , po
Stevensu, indikantima (Supek, 1968).
Postoje razne mogućnosti da se manifestno ponašanje poveže sa skrivenim
svojstvima. Izvorno, latentne varijable su se defmisale na osnovu kovarijacija
manifestnih ponašanja, Osim ovog relativno jednostavnog rešenja za odnos mani-
festnog i latentnog, mogu se pretpostaviti i mnogi drugi tipovi tog odnosa. Jedna
mogućnost su prepostavke o hijerahijskom ustrojstvu Ijudskih osobina i ponaša-
nja, pri čemu su manifestne one koje su najniže i koje su izvedene. Druga moguć-
nost je redukcionistička; koja manifestno ponašanje timiači „nižim”, flziološkim,
ili genetskim razlozima. Međutim, za čitaoca će biti najjednostavnije da zna
sledeće:
 Latentne varijable se definišu, konstndšu, odnosno identifikuju na osnovu
korelacija manifestnih varijabli.
U lom operacionalnoni smislu se do danas nije ništa promcnilo. Ako postoji
dosledna i značajna korelacija između ponašanja, onda u skladu sa onime što je
rečeno o izvoru i logici individualnih razlika, jedini razuman razlog za tu korela-
ciju mora se tražiti u postojanju zajedničkog latentnog generatora ponašanja.
Metodologija koja stoji na raspologanju istraživačima za otkrivanje ili
konstnikciju latentnih varijabli iz manifestnih je krajnje precizna - radi se, skoro
bez izuzctka o multivarijatnoj statistici. U novije vreme se radi i na nekim aUer-
nativnim metodama, kao što je tehnologija neuronskih mreža. Neuronske mreže
su nastale u okviru kibernetike i veštačke inteligencije u cilju simulacije kogni-
tivnih procesa po modehi strukture centralnog nervnog sistema. Neuronske mreže
spadaju u tzv. sainoorganizujuće i samoobučavajuće automate koji su u stanju da
„prepoznaju” strukture i pravihiosti u spoljnom svetu. Ta njihova sposobnost se
koristi u statistici društvenih istraživanja da bi se uočile latentne strukture u
podacima.
Što se tiče „klasičnih” multivarijatnih tehnika, uobičajeno je da se latentne
varijable konstruišu putem faktorske analize, a pod posebnim pretpostavkama
tome služe i kanonička diskriminaciona anahza i kanonička korelaciona analiza.
Naravno, da bi se varijable koje su dobijene u nekom istraživanju (mani-
festne) mogle upotrebiti tako da se na osnovu njih konstruišu latentne varijable,
raora se nacrt istraživanja napraviti tako da odgovara tom cilju. Kao što smo na
početku poglavlja rekli, latentne osobine se po pravilu defmišu na početku
istraživanja. Ta defmicija ne mora biti eksplicitna, u formi hipoteze istraživanja,
ali skoro uvek postoje neka prethodna iskustva i očekivanja. Što se tiče izbora
modela obrade podataka, uobičajene multivarijatne tehnike zahtevaju intervalni
nivo merenja, multivarijatno nomialno raspodeljene varijable i lineami tip
povezanosti. O odnosu prema tim strogim uslovima smo raspravljali u ranijim
poglavljima. Interesi prakse nalažu da se nekim od tih uslova može progledati
kroz prste. Još bolje je ako se mogu upotrebiti savremene statističke tehnike koje
su nezavisne od tipa podataka, kao što su npr. korespondentna analiza i/ili
optimalno skaliranje. U svakom slučaju, treba biti apsolutno svestan da sve multi-
varijatne tehnike rade po tzv. gigo principu (od engl. garbage in - garbage out,
ako smeće uđe, smeće će i izaći) što znači da što podaci više odstupaju od
kvantitativnog ideala (uključiv i dovoljno velikog uzorka), to će nalazi biti više
pod znakom pitanja.

5. Kvantifikatorska i strukturalna uloga varijabli

Prethodno opisana distinkcija izmedu manifestnih i latentnih varijabli se

tiče najnaprednije i najkompleksnije upotrebe empirijskih podataka. Ovu bismo
upotrebu uslovno mogli nazvati strukturalnom. Mi merimo neke vidljive pojave
da bismo otkrili šta stoji iza njih, koje „strukture” se kriju iza manifestnih
ponašanja. U takvom pristupu, istraživača prvenstveno interesuje da ustanovi
povezanosti između različitih varijabli, a zatim, na osnovu tih povezanosti da
identifikuje moguće latentne generatore kojima se mogu objasniti manifestna
ponašanja i povezanosti izmedu njih.
Medutim, izmerene (manifestne) varijable mogu poslužiti kao takve,;;er ^e.
To je mnogo „niži” pristup kvantitativnim istraživanjima, gde varijable služe
samo da bi se kvantifikovale pojave koje su merene. U tom pristupu, analiza
ajtemskih varijabli se završava na tome da se ustanovi koliko procenata ispitanika
misli da se država dovoljno brine o izbeglicama, a koliko da se ne brine dovoljno.
Ovaj pristup smo uslovno nazvali kvantifikatorskim. Iz neznanja i nerazumevanja,
mnogi društveni istraživači u tome vide jedini cilj kvantitavnih istraživanja - da
se nešto prebroji.
Međutim, epistemološki najvrednija upotreba manifestnih varijabli je u
tome da se otkriju njihovi izvori, tj. šta dovodi do individualnih razlika. Naravno,
treba imati na umu jednu važnu stvar - da bi se manifestne varijable koje su
dobijene u nekom istraživanju mogle upotrebiti na strukturalan način mora se
nacrt istraživanja napraviti tako da odgovara tom cilju.

6. Osobine i stanja

Dosada smo latentne varijable prvenstveno tretirali kao „nevidljive” osobi-

ne, nedostupne direktnom merenju ili posmatranju. To je nesumnjivo korisna i
proverena konceptuahzacija izvora Ijudskog ponašanja koja se u krajnje simplifi-
kovanom vidu može fonTiulisati ovako: iza neposrednih, manifestnih ponašanja se
kriju skriveni uzroci. Ako se ovakav koncept operacionalizuje tako da se skriveni
uzroci tretiraju kao latentne varijable koje se detektuju putem kovarijacija (kore-
lacija) manifestnih varijabli, onda koncept postaje i koristan istraživački pristup.
Medutim, taj uopšteni pojam osobine (atributa), koga stalno spominjemo,
vrlo je šarolik pojam u naukama o ponašanju. Kao što je napočetku ovog poglav-
Ija rečeno, nisu sve osobine skrivene. Osim po dostiipnosti posmatranju, osobine
se u naukama o ponašanju razlikuju i po složenosti, sadržaju i po mnogo raznih
drugih aspekata. Skrivenost je jedan od najvažnijih aspekata, jer skrivene
varijable ne možemo direktno meriti, ali nije jedini aspekt.
Pored skrivenosti, jedan od važnih kvaliteta latentnih varijabli je i direktiv-
nost. Direktivnost je ono što nam omogućava da tvrdimo da nekoj skrivenoj
varijabli možemo pristupiti izučavajući ponašanje koje ona izaziva. Međutim,
skrivena osobina može samo da moduliše ponašanje (a ne direktno da ga izaziva),
ili može da mu odreduje domet i uspešnost. Na primer, znanje ili inteligencija
omogućavaju da se nešto uradi kako valja, ali da bi se posao uopšte počeo po-
trebna je motivacija.
Važno je i to da osobina koju istražujemo bude relativno trajna. Ako nije
takva, onda su svi istraživački zaključci koji se mogu doneti nužno efememi.
 U kontekstu trajnosti često se sreće pojam stanja. Danas se obično stanje
kontrastira u odnosu na osobinu kao neŠto što je kratkotrajnije i uslovljeno
situacionim faktorima. Najčešće se ovaj pojam sreće kada se spominju emocije,
kao što su strah (anksioznost, stres) ili bes, gde se stanje straha npr. definiše
pomoću prolaznih osećanja i reakcija koje ispoljava osoba koja ih inače nema u
obliku trajne dispozicije - osobine.
Postoji i druga varijanta pojma stanja sa kojim se srećemo u socijalnim
istraživanjima. To su, na primer, stanje mentalnog zdravlja, materijalni status,
socijalni status itd. To su obično izvesni široki, derivirani koncepti, koji kao takvi
nemaju preciznu lokalizaciju u ličnosti ispitanika, nego predstavljaju jedan široki
opis njegovog ličnog i društvenog idcntiteta. Dominantan pristup u medicini,
psihijatriji i kliničkoj psihologiji je takav da se bolest tretira kao stanje.
U dnjštvenim naukama poznat je problem materijainog statusa, odnosno opštije,
sodoel^onomskog statusa (SES). To je jedno složeno i difuzno svojstvo, za koje se obično
kaže da nije latentna csobina nego stanje. Ne možemo upreti prstom ni na jednu određenu
stvar za koju bismo mogli reći da je mera SES-a. Od drušb/a do društva i od vremena do
vremena, merila SES-a se pomeraju i variraju. Kod nas, istraživač će pokušati da dobije
podatke o prosečnim primanjlma po članu domaćinstva, ali i o prosečnoj stambenoj površini
po članu domaćlnstva, posedovanju raznih dobara, obrazovanju, zaposlenju itd. Vldeće se
da svi ti opaženi pokazatelji koreliraju medusobno, ali i da formiraju zasebne strukture, te na
taj način istraživač može, osim neposredne kvantifikacije SES-a, saznati o stilovima života,
vrednostima i sklonostima Ijudi koje dovode do toga da svako svoj socioekonomski status
gradi na različit način.

7. Varijable u empihjskom istraživanju

U posebnoj glavi je objašnjen pojam varijable u kontekstu individualnih

razlika, merenja, nivoa merenja i drugih statističkih svojstava. Tamo je varijabla
definisana sa stanovišta teorije merenja. U ovom poglavlju ćemo pojam varijable
dopuniti sa epistemološke, logičke i istraživačke strane. Nezavisno od statusa koji
varijabla ima sa aspekta teorije merenja, ona može igrati razne uloge u nacrtu
istraživanja.
lako je naša dcfinicija varijable iz uvodnih poglavlja, kao slučajne promen-
Ijive, odnosno još tačnije, kao skupa podataka o individualnim razlikama po
nekom atributu, egzaktna, tennin varijabla se u žargonu istraživača koristi mnogo
slobodnije. Kada kažu „varijabla”, teško je, naime, razlikovati kada istraživači
misle na slučajrm varijablu, a kada na pojarn ili konstrukt'^ koji predstavljaju
svojstvo ili osobinu ispitanika, a kada na neki događaj ili svojstvo okohne. Reč
varijabia služi u svim tim kontekstima, pa su varijable u istraživanju ponašanja
pol, starost, prihod, autoritarnost, prijatnost, pozitivan stav o političkoj stranci,

' ’ Poj am konstm kt, inače, skoro po pravilu, odgovara poj mu onoga što ovde nazi vamo
latentnom varijablom.
introverzija, buka i osvetljenost prostorije, pol i starost „žrtve saobraćajne
nesreće”, trajanje i jačina elektroška i sl.

a. O peracionalna definicija varijable

Konstatacijom da istraživači koriste termin varijabla vrlo slobodno, otvorili

smo, u stvari pitanje, o tome kako se onda prevaljuje put između tog ležemog
pojma varijable i varijable kao „skupa podataka o individualnim razlikama na
nekom atributu” , Trebalo je prilično vremena tokom prve polovine dvadesetog
veka da se iskristališe rešenje tog problema. Danas taj put od varijable kao
koncepta ili konstrukta do varijable kao slučajne promenljive nazivamo opera-
cionalnom defmicijom varijable.
Da podsetimo, u uvodnoj glavi je rečeno da se operacionalne defmicije
kontrastiraju sa konstitutivnim defmicijama. Varijabla se konstitutivno defmiše
tako što se podvodi pod neki opštiji teorijski pojam - konstrukt (što je osnova
klasične defmicije), ili tako što dovede u vezu sa drugim pojmovima i teorijama
(npr. „anksioznost je subjektivan, neopravdan strah, uzrokovan prodorom zabra-
njenih misli iz Ida”). Nasuprot tome, varijabla se operacionalno definiše putem: a)
navođenja operacija i procedura pomoću kojih se varijabla meri ili b) pomoću
kojih se njome manipuliše, Pi-vi način operacionahzacije sastoji se prosto u tome
da se odredi kako će, ih čime će varijabla biti merena, Na primer, anksioznost
ćemo meriti TayIorovom Skalom manifestne anksioznosti, ili, prijatnost sladoleda
ćemo meriti posmatrajući gestikulaciju, mimiku i verbalnu reakciju kupaca.
Drugi način operacionalizacije su eksperimentalne operacionalne definicije.
Na primer, potki'epljenje se može defmisati kao niz postupaka pomoću kojih smo
kod dece neko ponašanje nagrađivali, kažnjavali ili ignorisali.
Svakom istraživaču treba staviti do znanja da su mnoge značajne i
plemenite naučne ideje zapele u fazi operacionalizacije i da njegovo istraživanje
u tome neće biti prvo, Mnogi bi voleli da istraže „kako žene opažaju muškarce”,
ili „zašto se Ijudi smeju”, ali se takve opšte teme kod objektivnih istraživača
„istope” u fazi operacionalizacije pojmova i utvrdivanja „koja žena”, „koji
opažaj”, „koji muškarac” ili „šta je smešno”. Poznato je da su kolokvijalni pojmo-
vi kao što su stil, imidž, stres, nervoza, adrenalin, kompleksi i sl. takozvani
kontejnerski pojmovi u koje se odlažu značenja po volji i po želji, od vremena do
vremena. Tako bi gornja istraživanja, nakon obavljene operacionalizacije vari-
jabli, verovatno dobila žalosno prozaično formulisan problem „preferencija
muškaraca sa bradom kod introvertnih, odnosno ekstravertnih žena”.
Mi smo ovde operacionalizaciju tretirali samo kao operacionalizaciju vari-
jable. Međutim, iz metodološke literature znamo da je operacionaHzacija jedan
opštiji korak, ili faza u istraživanju koji se može odnositi na operacionalizaciju
pojmova i nacrta istraživanja uopšte.
V arijable i indikatori. - Kada se kaže da je manifestno ponašanje rezultat
delovanja latentnih varijabli, može doći do zablude da je put od izmerenog mani-
 festnog ponašanja do latentne varijable kratak i jednostavan. Upravo suprotno, da
bi se formulisala pitanja koja će se postaviti ispitanicima, ili kategorije koje će se
posmatrati i analizirati u nekoj od metoda prikupljanja podataka, treba proči niz
međukoraka i iteracija. Treba imati u vidu ono što je rečeno u poglavlju o mani-
festnim i latentnim varijablama da se, tipično, u istraživanjima polazi od teorijske
formulacije latentne varijable - konstrukta.
Recimo da istražujemo pojavu korupcije i da nas interesuje odnos stanov-
ništva prema toj društveno patološkoj pojavi. Od početka moramo biti svesni da
je taj odnos složen i da stavovi prema korupciji verovatno ne zavise od jedne
jedinstvene latentne varijable (kao što je npr. poštenje), nego od meduodnosa
moralnih načela pojedinea i stanja u društvu. Generalno, putem korupcije poje-
dinci sebi lično nastoje da pribave privilegovan položaj - kako oni koji daju mito,
tako i oni koji ga primaju. Primači mita to rade obično tako što zloupotrebljavaju
društveni položaj. Smatra se da korupcija ima više vidova, recimo sitna i krupna
korupcija, ili običajna (kao što je „čašćenje” lekara) i koristoljubiva. Nekada su
Ijudi prosto prisiljeni da je prihvate, a nekada je svojcvoljno daju ili traže.
U okviru glave o teoriji merenja i na drugim mestima u ovoj knjizi, sugeri-
sano je da nema recepta kako da se prevazide jaz izmedu latentnih i manifestnih
varijabli. Postoje samo mnogobrojna iskustva i sugestije koje se na osnovu njih
mogu izvući. Najopštije iskustvo govori da je za uspešnu operacionalizaciju
merenja latentnih varijabli važno sledeće;
• raspolagati sa dobrim teorijskLm defmicijama latentne varijable;
• što bolje poznavati pojavu, kako u njenim najopštijim okvirima, tako i
u konkretnim manifestacijama;
• neprekidno unapređivati teorijske defmicije i poznavanje pojave.
Uobičajeni postupak je da se latentna osobina raščlanjava sve više i više,
sve dok se ne dođe do nekih tipova ponašanja, situacija ih mišljenja. Ovi tipovi se
često nazivaju indikatorima varijable se oni mogu prevcsti npr. u upitničko
pitanje iH kategoriju koja se posmatra. U slučaju istraživanja korupcije, indikatori
opšteg odnosa prema korupciji bi mogh biti „spremnost da se dadne mito” i
„spremnost da se primi mito”. Naravno, raščianjivanje latentne varijable se
obično obavlja u više faza ih nivoa, pa „spremnost da se dadne mito” može dalje
da se raščlani na razhčite situacije, na razHčite iznose novca, protivusluga ili
nadoknade u robi. Recimo, verovatno je da će ispitanici radije davati manje sume
u nekim tradicionalnim situacijama kao što su lekarske usluge, nego da će davati
vehke sume za sve i svašta.
Ova strategija račlanjivanja (divide et impere) ima duboke korene u
epistemologiji i sasvim se uklapa u ono što se naziva induktivno - hipotetičko -
deduktivnom prirodom modernih empirijskih nauka. Na osnovu iskustvenih
podataka formiraju se elementi teorije, na osnovu kojih se postavljaju različite
hipoteze, pa se nakon njihove provere koriguje teorija i tako dalje.
 8. Nezavisne i zavisne varijable

Ova distinkcija je poznata svim istraživačima i koristi se u različitim

istraživačkim kontekstima. Mnoge statističke tehnike se, takođe, baziraju na
podeli varijabli na nezavisne i zavisne (kao što su regresija i analiza varijanse).
Epistemološke osnove razlikovanja nezavisnih i zavisnih varijabH se nalaze u
odnosu uzroka i posledice. Nezavisne varijable su uzroci, a zavisne posledice.
Zato se njihova razhka najlakše objašnjava upravo u kontekstu kauzalnih iskaza.
Nezgoda je što više od polovine društvenih istraživanja (ili oko polovine u nekim
disciphnama, kao što je psihologija) ne spadaju u eksperimentalna istraživanja,
što znači da nemaju ambicije da utvrduju kauzalne odnose. A ipak, i u takvim
istraživanjima se koriste termini „zavisna varijabla” i „nezavisna varijabla”. To
znači da istraživači, iako možda ne insistiraju na kauzalnosti, ipak vole
pretpostavke o „dejstvu” ih „uticaju” i to baš u smeru od nezavisne ka zavisnoj
varijabh, što vremenom lako postaje imphkacija kauzalnosti.
Na nesreću, pokazalo se da impheiranje kauzalnog odnosa nezavisne i
zavisne varijable komphcira defmiciju jednih i drugih, otežava interpretaciju
nalaza i dovodi u zabunu istraživače u pogledu uzročnosti. Neki autori misle da je
u neeksperimentalnim istraživanjima upotreba tennina „nezavisna varijabla” i
„zavisna varijabla” deskriptivna i opcionahia. Takvi autori su u manjini, što znači
da podelu na nezavisne i zavisne varijable treba zadržati kao univerzalnu, ah
imphciranje kauzalnosti treba izvoditi ,,sa zmom soli”. Navešćemo neke konven-
cionalne karakteristike ih aspekte nezavisnih varijabli, kojim.a se one svuda u
hteraturi opisuju.

• Prvo i osnovno - za nezavisne varijable se kaže da su „nastale” ranije u

vremenu u odnosu na zavisne varijable. Pod pojmom „nastale” podrazume-
vamo da su poprimile ih promenile vrednosti, ih da su stanja ih dogadaji
koje one izražavaju nastah pre zavisnih varijabh. Na primer, ispitanici su
bih operisani, ili su dobih zgoditak na igrama na sreću, ih su završih neku
odredenu školu, ih su „dobih” određeni pol, ih su bili izloženi uvredljivom
ponašanju od strane istraživača, ih je na njima primenjena neka specijalna
vrsta obuke. Ovaj aspekt je povezan sa prvim aspektom kauzalnosti koji
glasi „post hoc, ergo propter hoc” - uzrok mora uvek doći pre posledice (v.
poglavlje o uzročnosti).
• Nezavisne varijable u lconkretnom istraživanju imaju status uzroka ih izvora
zavisnih varijabh, razloga postojanjazavisnih varijabh ih dejstvana zavisne
varijable. Konki'etno istraživanje ima upravo za cilj da proveri da h neza-
visna varijabla deluje na zavisnu: recimo pol na znanje matematike. Posma-
trano na ovaj način, nezavisna varijabla može biti bilo koji konslmkt,
pojam, svojstvo ih dogadaj. Na narednim stranama biće opisane deskrip-
tivne varijable koje mogu imati status nezavisnih. Takode, to mogu biti neki
događaji u kojima subjekti jesu ih nisu učestvovah, kao npr. elcmentame
nepogode. U narednoj tački će biti prezentirane nezavisne varijable koje
 nastaju kao rezultat eksperimentalne manipulacije, ali taj slučaj ćemo treti-
rati kao posebnu vrstu nezavisnih varijabli.
Na primer, ako istražujemo posttraumatski stresni poremećaj (PTSP),
nezavisne varijable mogu biti porodična, bračna ili poslovna anamneza
učesnika rata pre početka rata. Ako istražujemo uticaj sposobnosti na uspeh
u nekom poslu, onda će inteligencija biti nezavisna varijabla.
U okviru ove tačke posebno treba istaći nezavisne varijable koje
predstavljaju izvesna kategorijalna svojstva ispitanika: pol, obrazovanje,
bolestan-zdrav itd. Takve varijable mogu poslužiti za razvrstavanje obje-
kata u grupe. Istraživač ne može njima da manipuliše, ali njihov uticaj na
zavisnu varijablu može veoma efikasno proveriti tako što će na osnovu njih
formirati grupe i izračunati razlike između grupa u zavisnoj varijabli.
• Konačno, najpreciznija je definicija nezavisnih varijabli u okviru eksperi-
raentalnih istraživanja. U eksperimentima, nezavisne varijable su one koji-
ma manipulišemo mi kao istraživači sa ciljem da istražimo njihov mogući
uticaj na zavisne varijable. Na primer, ako istražujemo „spremnost za
izražavanje mišljenja” kod ispitanika, možemo varirati varijablu potkrep-
Ijenja. Naime, u nacrtu istraživanja možemo varirati koliko potkrepljujemo
izražavanje mišljenja ispitanika. U tom slučaju je varijabla „potkrepljenje”
nezavisna varijabla i ima modalitete: slaganje i podrška iznesenim stavovi-
ma, ignorisanje odnosno šutnja, i neslaganje sa iznesenim stavovima ispita-
nika. Nezavisne varijable u ovom smislu su izvesni uslovi u koje stavljamo
objekte, ili izvesna dejstva koja vršimo na njih, očekujući da će to dovesti
do promene u ponašanju objekata.

Pažljiv čitalac je sigurno uočio razliku između druge i treće definicije neza-
visnih varijabli. U dnigoj tački su opisane one nezavisne varijable na koje mi
nernamo uticaj, je r ne zavise od nas i našeg istraživanja. Treća tačka definiše
nezavisne varijable kao one koje mi stvaramo. Takode, druga definicija kaže da
su nezavisne varijable svojstva ispitanika, dok treća kaže da su to neki uslovi u
koje mi smeštamo ispitanike. Druga definicija se zaniva na kontroli nezavisnih
varijabli, a treća na nianipulaciji nezavisnim varijablama. O sličnosti i razlici
pojmova kontrole i manipulacije biće reči u poglavlju o eksperimentalnim
istraživanjima.
Pogledajmo sada šta su zavisne varijable. Naravno, one se u vremenskom
poretku nalaze iza nezavisnih varijabli, što znači da su primile ili promenile
vrednosti nakon nezavisnih. U eksperimentalnim istraživanjima je vremenski
poredak lako ustanoviti jer mi merimo zavisne varijable nakon što smo promenili,
svojom voljom, vrednosti nezavisnih varijabli. U neeksperimentalnim istraživa-
njima se nezavisne i zavisne varijable često niere u istom trenutku. Vremenski
poredak se onda utvrđuje na osnovu logičke analize: pol je „nastao” pre izbora
profesije, socijalno poreklo je „nastalo” pre partijskog opredeljenja itd.
U slučaju istraživanja posttraumatskog stresnog poremećaja (PTSP), pore-
mećaji sna, vraćanje „slika” iz rata, bezvoljnost, povlačenje iz dništva i sl. biće
manifestni indikatori zavisne varijable - PTSP-a. Da li će nastati PTSP zavisi ođ
ratnih iskustava kao što su smrt najboljeg druga, ranjavanje, prisustvovanje
zverstvima, ili od osobina ličnosti i životne anamneze osobe. Kod primera sa
uspehom na poslu, mi proveravamo hipotezu da li on zavisi od inteligencije
ispitanika.
Konačno, mi manipulišemo nezavisnim varijablama da bismo izazvali i
merili promene u zavisnim varijabiama. U istraživanju „sprerrmosti za iznošenje
mišijenja” prebrojavaćemo verbalne iskaze, rečenice ili stavove, ili ćemo prosto
meriti vreme koliko ispitanik govori. Ako tako izmerena zavisna varijabla „izra-
žavanje mišljenja” varira u zavisnosti od toga kakvo je bilo potkrepljenje, onda
ćemo zaključiti da ona zavisi od potkrepljenja.
Prema tome, distinkcija nezavisnih i zavisnih varijabli je u tome da li po
našem nacrtu istraživanja, ili po opštoj logici sveta i razuma, postoji između
varijabli relacija zavisi od. Nije važno da li neko kontroliše ili manipuliše neza-
visnim varijablama. Manipulacija varijablama je važna samo zato da bismo bili
sigurni da sunezavisne varijable nastale pre zavisnih. Naime, nekadaje vrlo teško
odrediti da li su nezavisne varijable nastale pre zavisnih. Zato će čitaocu biti
najlakše da zapamti da zavisne varijable, prosto, zavise od nezavisnih. Pri tome,
kao što je ranije rečeno, istraživači nastoje da terminu „zavise” pridaju kauzahio
značenje: ,,su posledica”, aH u naukama o ponašanju teško to mogu dokazati.

9. Aktivne i deskriptivne varijable

Aktivne varijable su one nezavisne varijable kojima mi manipulišemo u

istraživanju. Zapravo, one su aktivne zato što ih mi aktivno kontrolišemo jer
želimo da utvrdimo njihov direktni uticaj na zavisne varijable, pa je ovaj naziv
utoliko neprikladan - nisu one aktivne nego mi. U prethodnom odeljku su aktivne
varijable opisane pod tačkom tri, kao treće tumačenje prirode nezavisnih varijabli.
Manipulacija u osnovi znači da na različite objekte, ili na različite grupe objekata
primenjujemo različita dejstva. Aktivne varijable su po pravilu ono što ćemo
kasnije nazvati „dražima”, dakle neki uslovi, događaji,programi ili uticaji kojima
podvrgavamo objekte našeg istraživanja. Jednostavno, aktivne varijable su
svojstva okoline, a ne organizama, ali mi želimo da utvrdimo da li one, nakon što
postanu deo iskustva organizma, utiču na njegovo ponašanje.
Desh'iptivne varijable su one koje u istraživanju merimo i koje nam služe
za deskripciju objekata koje istražujemo, za opis njihovih svojstava. Deskriptivne
varijable su one kojima mi ne manipulišemo, nego predstavljaju mere nekog
svojstva odnosno atributa. Zato se nazivaju i atribut varijablama, a pošto
predstavljaju mere objekata, odnosno subjekata, nazivaju se i subjekt varijab-
lama. Ako su objekti koje istražujemo živi organizmi, deskriptivne varijable
mogu biti manifestne varijable (v.), latentne varijable (v.), stanja (v.), reakcije,
organizmičke varijable itd. Takođe, u metodološkoj literaturi se ove varijable
često nazivaju varijablama irtdividualnih razlika. Pod deskriptivnim varijablama
 nećemo podrazumevati zavisne varijable jer one imaju precizno defmisan status u
istraživanju.
Kakav status u istraživanju imaju deskriptivne varijable? Na prvom mestu,
one mogu da posluže kao nezavisne varijable. Da bismo mogli ispitati uticaj
deskriptivne varijable, kao nezavisne, na zavisnu varijablu, ona mora zadovo-
Ijavati uslov 1 i 2 iz prethodnog odeljka, ali ne i 3, jer deskriptivnim varijablama
ne možemo (ili ne smemo) da manipulišemo. Postoje sasvim opravdana mišljenja
da manipulaciju može da zameni kontrola i da je, zapravo, suština manipulacije u
tome da kontrolišemo nivoe nezavisne varijable.
Kada deskriptivne varijable koristimo kao nezavisne, dalji postupak zavisi
od toga da li su one kategorijalne ili kontinualne. Ako su kategorijalne, onda
njihovu „manipulaciju” ili kontrolu postižemo tako što grupišemo ispitanike po
toj varijabli. U tom slučaju se deskriptivna varijabla naziva i grupišućom vari-
jabloin. Operacija grupisanja je „prirodna” ako je varijabla kategorijalna, sa
malim brojem kategorija, pa je neposredno pogodna za klasifikaciju objekata u
grupe - kao što su, na primer, pol i obrazovanje. Za istraživanja koja koriste
gmpišuće varijable koje predstavljaju neka „prirodna” svojstva subjekata i sadrže
njihove individuahie razlike po tim svojstvima, kaže se da spadaju u nacrte sa
prirodnim grupama. Takvi nacrti nisu dobri za donošenje kauzalnih zaključaka,
nego ih treba tretirati kao korelacione (Shaughnessy et al., 2000). To je, naravno,
posledica toga što ne možemo izvršiti slučajnu alokaciju ispitanika i što ne
možemo manipuhsati „prirodnim” varijablama. Ne možemo, na primer, slučajno
(randomizirano) formirati grupu Ijudi u braku i razvesti ih da bismo ispitali uticaj
razvoda na emocionalne probleme (o varijabh pola ne treba ni govoriti).
Ako je deskriptivna varijabla kontinuirana, kao što su starost i prihod, ona
se može sažeti, tj. klasifikovati u manji broj kategorija (svesti na ordinalnu ili
nominalnu skalu). Medutim, sažimanjem varijabh se gube informacije, tačnije
varijansa. U tom. slučaju istraživač se može opredehti da sačuva kontinuiranu
varijabhi tako što će primeniti regresionu iU korelacionu anahzu, a ne anahzu
varijanse (pod uslovom da i ostale nezavisne varijable prolaze test kontinui-
ranosti, tačnije intervalnosti).
Važno je naglasiti da se randomizirana alokacija ne može vršiti u okviru
deslcriptivnih varijabh. Naime, ispitanici su prirodno razvrstani u introvertne ili
ekstravertne, u muškarce ih u žene, u fobične ili kompulzivne. Zato deskriptivne
varijable, kada služe kao nezavisne, najčešće učestvuju u korelacionim istraživa-
njima, odnosno u istraživanjima koja ispituju povezanost varijabh, a ne u kauzal-
nim istraživanjima, kao što je eksperiment.
U drugoj ulozi se deskriptivne varijable javljaju kada istraživač smatra ih
sumnja da jesu ili bi mogle biti nezavisne, tj. kada bi mogie imati uticaja na
zavisnu varijablu. Međutim, istraživač ih ne može koristiti kao aktivne varijable
je r je njihova manipulacija nemoguća, zabranjena zakonom ih neetična. Recimo,
iako čvrsto venijemo da veći hirurški zahvati mogu da dovedu do depresije, ne
možemo slučajno formirati eksperimentalnu grupu i podvrći je operativnom
zahvatu da bismo eksperimentalno proverih naše uverenje.
 Isto tako, možda njihov uticaj nije od neposrednog interesa za istraživanje,
tj. ne spadaju ni pod drugu definiciju nezavisnih varijabli iz prethodnog poglavlja.
U oba slučaja će istraživači nastojati da potencijalni uticaj takvih varijabli na
zavisnu varijablu otkloni, minimizira ili barem izmeri. Ovakve deskriptivne vari-
jable se nazivaju konfundirajućim, ometajučim, neželjnim, interferentnim, trećim
ili eksternim varijablama (engl. confounding, spurious ili extraneous). Po pravilu,
istraživači nastoje da njihov uticaj na zavisnu varijablu eliminišu. Pošto se elimi-
nacija uticaja tih varijabli na glavni istraživački efekt (odnos nezavisne i zavisne
varijable) svodi na kontrolu tog uticaja, i same takve varijable nazivamo kontrol-
nim. Detaljnije o načinu eliminisanja varijanse ovakvih varijabh u poglavlju o
kontroli nežcljene varijanse.
Draži i odgovori. - U psihologiji se često razlikuju draži i odgovori,
odnosno stimulus varijable i varijable reakcije. Ova terminologija se najčešće
koristi u eksperimentalnim istraživanjima gde stimulus varijable po pravilu pred-
stavljaju aktivne varijable. U eksperimentima istraživač primenjuje dejstva na
subjekta, npr. menjajući njegovu okolinu, da bi izazvao odgovor subjekta. Vari-
jable reakcije su bilo koje ponašanje subjekta nakon dejstva stimulus varijabh i
obično imaju status zavisnih varijabli.
Kategorijalne i kontinuirane varijable. - Razlika kategorijalnih
(diskretnih) i kontinuiranih varijabli je već obradivana u poglavljima teorije
merenja. U skladu sa Stevensovom tradicijom i njegovim nivoima merenja, za
kategorijalne varijable se obično podrazumeva da spadaju u nominalne varijable.
Nasuprot tome, kontinuirane varijable se obično razvrstavaju u ordinalne ih
intervahie. To onda povlači i korišćenje razhčitih statistika i statističkih tehnika,
a vrlo često i različitih nacrta istraživanja;
Medutim, ne postoji saglasnost teoretičara merenja u pogledu koresponden-
cije kategorijalnih i kontinuiranih varijabli sa drugim podelama varijabli. To je
posebno izraženo kod ordinalnih varijabli. Naime, za kontinuirane varijable se
obično kaže da su kvantitativne varijable. Teoretičari merenja ordinalne varijable
takode tretiraju kao kvantitativne (doduše kao „slabo kvantitativne” jer su izvesne
aritmetičke operacije i relacije dozvoljene, a izvesne ne). Medutim, ako iniamo
varijablu „nivo motivacije” sa tri vrednosti: „nizak”, „srednji” i „visok”, onda će
ta varijabla biti ordinalna i, očiglcdno, kategorijalna.
Ovaj primer ukazuje na mogućnost (i čestu praksu) da se intervalne i
ordinalne varijable, putem kategorizacije, sažmu u manji broj kategorija, sve do
samo njih dve. Recimo, sve intei"valne varijable, koje se smatraju kontinuiranim,
mogu se svesti na dihotomne (biname) varijable: ispod proseka - iznad proseka.
Slično, ordinalne varijable se mogu binarizovati na; prvi i ostali („ostali” se
operacionalizuju kao oni koji izjavljuju da je važno učestvovati).
Ako ove dileme dodamo već navedenima, kao što su razlika brojanja i
mcrenja i nepostojanje kontinuiranog merenja u praksi, uvidećemo da distinkciju
kontinuiranih i kategorijalnih varijabli treba uzeti relativno.
 Da bismo rešili tu dilemu vratićemo se na početak. Rečeno je da ako su
deskriptivne varijable kategorijalne one su prirodan način da se grupišu objekti.
Ispitanici će prirodno biti cm i ili plavi, Srbi ili Mađari, penzioneri ili privatnici.
Šta to znači? To znači da na stvari treba gledati praktično, odnosno sa stanovišta
namene varijable u istraživanju. Ako se varijabla u svom izvomom obliku može
iskoristiti za formiranje gmpa objekata, onda je možemo smatrati kategorijalnom
- diskretnom. To znači da su njene vrednosti jasne i defmisane, odnosno da se
medusobno ne preklapaju i, naravno, da ih nema veliki broj. Taj uslov može
zadovoljiti većina nominalnih varijabli i mnoge ordinalne varijable - ali ne mora.
S druge strane, ako varijabla nije pogodna za grupisanje, onda je nećemo
tretirati kao kategorijalnu. Prvi razlog zašto varijabla neće biti pogodna za
grupisanje je „logička greška” u varijabli - recimo „muški, ženski, dete” - koja
dovodi do preklapajućih gmpa. Dmgi razlog, vrlo uobičajen, jeste to što varijabla
ima suviše veliki broj vrednosti. Takva varijabla je nepogodna za gmpisanje
objekata. To je vrlo čest slučaj sa ordinalnim i intervahim varijablama.

10. Moderatorske i medijatorske varijable

U pogledu kauzalnog odnosa varijabli, tačnije u pogledu otkrivanja kauzal-

nog odnosa, deskriptivne varijable mogu imati status moderatorslcih ili medija-
torskih varijabli, koje se u nekim prilikama nazivaju zajedničkim imenom: inter-
venišiiće varijable. Ako i odbacimo mogućnost kauzabiog tumačenja odnosa
nezavisnih i zavisnih varijabli, istraživačka praksa je pokazala da mogu postojati
dugački i isprepleteni lanci varijabli koje utiču jedne na druge. U takvom lancu
varijabli moderatorske i medijatorske varijable se nalaze „između” nezavisnih i
zavisnih varijabli. Najjasnija predstava o tome šta su ovi lanci varijabli i inter-
venišuće varijable stiče se iz dijagrama puta. Na sledećoj slici 2 prikazaćemo
jedan dijagram puta sa četiri varijable (Garson, 2000).

Slika 2. Primer dijagrama puta sa dve medijatorske varijable

 Varijabla starost se naziva egzogenom varijablom, zato što na nju ne
pokazuje nijedna strelica. Sasvim je jasno da ona može biti samo nezavisna
varijabla. Sve ostale varijable su endogene varijable i mogu u nekom trenutku
analize poslužiti kao zavisne varijable. Brojevi pored linija sa strelicama pred-
stavljaju standardizovane parcijalne regresione koeficijente - p.
U naukama o ponašanju se veoma često dogada da u početnim fazama
istraživanja neke pojave ustanovimo visoku korelaciju izmedu nezavisne i zavisne
varijable. Ova korelacija se na jeziku analize puta naziva ukupnim efektom. Na
našem primeru, utvrđeno je da postoji visok pozitivan ukupni efekt, tj. korelacija
između varijabli „starost” i „zadovoljstvo poslom” .
Međutim, u nekoliko ponovljenih istraživanja, od strane različitih autora,
ustanovljeno je da je povezanost starosti i zadovoljstva poslom nestabilna, tj. da
je varirala od uzorka do uzorka i od istraživanja do istraživanja. To je prvi razlog
za sumnju da postoje neke varijable koje posreduju u ovoj vezi. Nakon logičke,
kvalitativne kauzalne analize, uvedene su dve nove varijable; „autonomija u
poslu” i „plata” i kao relevantne postavljene su tri strukturahie jednačine:
zadovoljstvo = starost + /?,2 autonomija + /9,3 plata +
plata = p 2 \ starost + autonomija + s,
autonomija = /Sj, starost + f,
Nakon rešavanja ovih jednačina kao regresionih, dobijeni su beta koefici-
jenti prikazani u grafikonu. Vidi se da je direktni efekt starosti na zadovoljstvo
zapravo nulti (-0,08, koeficijent je čak promenio predznak, ali nije značajan).
Sada se vidi da starost utiče na zadovoljstvo poslom u najvećoj meri preko
plate. Zato, ako istražujemo uticaj starosti na zadovoljstvo poslom u nekom
kolektivu u kome su plate izjednačene, nećemo dobiti visoku korelaciju. U nešto
manjem stepenu starost ostvaruje uticaj na zadovoljstvo i preko autonomije
radnog mesta. Skrećemo pažnju da postoji i lanac uticaja starosti na zadovoljstvo
preko autonomije i plate.
Varijable „autonomija u poslu” i „plata” su medijatorske varijable.
Medijatorske varijable su one varijable preko kojih nezavisne varijable (NV)
ostvaruju svoj uticaj na zavisne (ZV) - one objašnjavaju povezanost nezavisnih i
zavisnih varijabli. Varijabla deluje kao medijatorska ukoliko su zadovoljeni
sledeći uslovi:
• nezavisna varijabla (starost) značajno korelira sa medijatorskom varijablom
(npr. platom),
• medijatorska varijabla (plata) značajno korelira sa zavisnom varijablom
(zadovoljstvom poslom) i
• kada se medijatorska varijable uvede u model, direktni efekt nezavisne
varijable na zavisnu postaje manji (kada je medijatorsko dejstvo delimično)
ili neznačajan, odnosno nulti (kada je medijatorsko dejstvo potpuno).
Moderatorske varijable dekiju kao moderatori uticaja NV na ZV. One
deluju u interakciji sa NV na ZV. Moderatorske varijable često istraživači sami
traže i uključuju u nacrt kada dobiju da je veza NV i ZV neočekivano niska ili
nestabilna. To je zato što moderatorske varijable mogu da pojačaju uticaj NV na
ZV, pa čak i da mu promene predznak. Moderatorske varijable su često kategori-
jahie varijable, a ako su kontinualne, istraživači ih često kategorizuju, videćemo
zašto. Moderatorske varijable ne moraju biti ni u kakvoj korelaciji sa NV ih ZV
(Baron i Kenny, 1986).
Zamislimo da smo u gomjem primeru sa zadovoljstvom poslom uveli još i
varijablu „perspektiva preduzeća” i da smo odvojeno obavih regresionu analizu
za perspektivna i za besperspektivna preduzeća. U besperspektivnim preduzećima
dobili smo da direktni efekt starosti na zadovoljstvo postaje umereno pozitivan,
dok indirektni efekt, preko autonomije i plate, postaje neznačajan. Suprotno tome,
u perspektivnim preduzećima, direktni efekat ostaje nizak, a indirektni postaje još
viši. U tom shičaju je „perspektiva preduzeća” moderatorska varijabla. U
besperspektivnim preduzećima, u kojima preti otpuštanje i svi imaju niske plate,
stariji radnici su zadovoljni već time što imaju posao, a autonomija i plata gube na
značaju. Postoje dve uobičajne metode za otkrivanje moderatorskog efekta
varijabh.
• Efekti interakcije u anaUzi varijanse. Moderatorska varijabla „perspektiva
preduzeća” se uključuje u nacrt kao druga nezavisna varijabla, faktor, pa se
anahzira da h je efekat interakcije značajan i kako izgleda kad se grafički
predstavi (v. poglavlje o faktorskim nacrtima). Zato su moderatorske
varijable kategorijalne ili se prave da budu takve.
* Moderatorska regresiona analiza, u kojoj se kao prediktori uvrštavaju
nezavisna varijabla, moderatorska varijable i produkt nezavisne i mode-
ratorske varijable (postoji i jednostavnija mogućnost da se rade odvojene
regresije po nivoima moderatorske varijable).
Delovanje svih ovih varijabh u istraživanjima najčešće dovodi do toga da
stepen zavisnosti zavisnih varijabh od nezavisnih bude potcenjen, čak potpuno
prigušen, odnosno maskiran, ih da bude osetljiv na promene u nacrtu, u memim
instrumentima ih u uzorku. Pored toga, uočavanje intervenišućih varijabh i
ocenjivanje njihovog uticaja pomaže u objašnjavanju pojave. Zato je od vehkog
značaja da se medijator i moderator varijable uoče i njihov uticaj oceni, ukloni,
odnosno kontrohše.
Sim psonov pa rado ks.- Pogledajmo sledeći primer. Na jednom fakuitetu, na smeru
za Kliničku psihologiju primljeno je 15 od 100 žena koje su se prijavile (15%). Samo jedan
od 10 muškaraca je primljen (10%). Na smeru Eksperimentalne psihoiogije primljeno je 6 od
10 žena (60%) i 50 od 100 muškaraca (50%). Na Odseku za psihologiju, koga čine ova dva
smera, primljeno je ukupno (15 + 6)/(100 + 10) = 19% žena i (1 + 50)/(10 + 100) = 46%
muškaraca. Dakle, na oba smera je upisan veći procenat žena, a na nivou celog odseka
više muškaraca. Šta je tačno?
Ovaj primer je krajnje uprošćen i ilustruje pojavu koja se danas naziva Simpsonovim
paradoksom, po Simpsonu koji se tim problemom bavio u okviru analize kontingencionih
tabela (Fajgelj, 2005, Pearl, 1999, Nunnally i Bernstein, 1994). Inače, pojavu je uočiojoš
Karl Pearson 1899 g. Danas se obično sreće jednostavnija i konkretnija definicija ovog
 paradoksa, koja kaže da je to situacija kada je korelacija dve varijable na ukupnom uzorku
pozitivna, dok je na poduzorcima formiranim na osnovu neke treće varijable negativna ili
obrnuto. Uopštenija definicija kaže da je reč o pojavi da svaki statistički odnos izmedu dve
varijable može biti preokrenut uključivanjem dodatnih faktora u analizu. Unatoč izvesnim
razlikama u tumačenju porekla Simpsonovog paradoksa, može se praktično uzeti da ta
treća varijabla (odnosno dodatni faktor) ima status m oderatorske varijable.
Sledeći primer se odnosi na tzv. obrnutu regresiju, koja je mučila iiteraturu društvenih
nauka tokom 70-ih godina XX veka, a posledica je nalaza da muškarci više zarađuju od
žena. Postavilo se pitanje da II da se prilikom istraživanja diskriminacije u platama upore-
duju plate jednako obrazovanih muškaraca i žena, ili da se, umesto toga, upoređuju kvalifi-
kacije jednako plaćenih muškaraca i žena. Zanimljivo je da je svaki izbor vodlo do suprotnih
zaključaka. Pokazalo se da muškarci zarađuju više nego jednako obrazovane žene, ali isto-
vrem eno, muškarci su više obrazovani nego jednako plačene žene.
Ekološka k o re la c ija .-T o je suprotna, ali ipak slična pojava Simpsonovom para-
doksu. llustrovaćemoje originalnim Robinsonovim primerom. On je ispitivao povezanost
stranog porekla i pismenosti u SAD i za svih 48 država izračunao je dve mere: procenat
rođenib u inostranstvu i procenat pismenih. Korelacija izmedu ovih 48 parova mera bila je
0,53. Iz toga je proistekao zaključak da su doseljenici iz drugih država znatno češće
pismeni. Ova korelacija se naziva ekološkom, zato što njena jedinica analize nije pojedinac,
nego grupa. Kad su se uzele individualne mere, da li je neko roden u SAD ili van SAD i da li
je pismen ili ne, korelacijaje bila -0,11.
Ako se povezanost dve varijable odreduje na osnovu ekološke korelacije, može doći
do potpuno pogrešnih zaključaka. Kada se za povezanost koja postoji između grupa misli
da postoji i izmedu pojedinaca pravi se ekološka greška (engl. ecological fallacy).

N ažalost, postoje protivrečnosti u term inologiji moderatorskih i

medijatorskih varijabli. Naime, neki autori, na izvestan način, uvode i aspekt
poznatosti varijable i njenog efekta. Tako, ako je istraživaču dobro poznato da
postoje varijable koje intei'venišu izmedu nezavisnih i zavisnih varijabli, on će ih
zvati intervenišućim (moderatorskim iii medijatorskim) i predvideće njihovo
merenje, kontrolu i tumačenje efekta. Problem nastaje kada takve varijable posto-
je, ali ih istraživač nije svestan, pa ih nije kontrolisao, ili ih nije mogao kontroli-
sati. Tada je uobičajeno da se one nazivaju ometajuće, interferentne ih „treće”
varijable (v. ranije). U prethodnim stmkturalnim jednačima utieaj takvih varijabli
je, skupa sa greškama merenja, sadržan u faktoni s.

11. Osnovna matrica podataka

Osnovna matrica podataka u soeijalnim istraživanjima je poznata

dvodimenzionalna matrica u kojoj su u redovima entiteti, a u kolonama atributi
(tabela 5). Iz ove tabele se vidi nekoliko stvari. Entiteti o kojima se u toj matrici
podataka radi su Ijudi, čija prezimena služe za identifikaciju entiteta. Matrica
podataka ne predviđa nikakvo principijelno ograničenje za broj entiteta. Kolone u
matrici podataka predstavljaju varijable. Prve tri su neke „vidljive” varijable, koje
se obično nazivaju socio-demografskim obeležjima i koje, ako se se koriste u
analizama, imaju status nezavisnih varijabli. Varijable označene sa „stav...” mogu
biti pitanja iz nekog upitnika, kao što je: ,,Da ii se slažete sa mišljenjem da treba
zabraniti abortus kod udatih žena”. Ni broj varijabli u matrici nije ograničen
nikakvim teorijskim razlozima. Međutim, praktični razlozi su često prilično
restriktivni u pogledu maksimalnog broja entiteta i broja varijabli. Uprkos
praktičnim ograničenjima, današnja socijalna istraživanja često imaju više hiljada
entiteta i više stotina varijabli (Fajgelj, 1995).

Iz prirode varijabli koje su merene mogli bismo odmah zaključiti da su

predmet ispitivanja bili sta^'ovi Ijudi. Otuda bi se entiteti u našoj matrici zvali
ispitanicima. Kao što su ispitanici ovde identifikovani prezimenima, varijable su
identifikovane kratkim nazivima. U teorijskom smislu, osnovna matrica podataka
ne nameće nikakva ograničenja u pogledu naziva varijabli. Međutim, praktični
razlozi, a oni su danas uglavnom vezani za primenu računara u obradi podataka,
nameću da varijable budu označene nekim kratkim imenima. U nekim slučajevi-
ma kratka imena su samoobjašnjiva i dovoljna (kao npr. „pol”). Medutim, većinu
pitanja iz upitnika za merenje stavova je nemoguće skratiti tako da naziv bude
jasan; npr. ,,S obzirom na različita mišljenja u javnosti, da li vi smatrate da bi
dircktno učešće građana u troškovima školovanja i lečenja trebalo regulisati na
nivou opština ili na nivou republike?”. U takvim slučajevima se za naziv varijable
obično koristi redni broj pitanja iz upitnika.
Sledeće na što treba obratiti pažnju je da su svi podaci u prikazanoj matrici
numerički, osim prve kolone u kojoj se nalaze prezimena Ijudi. Međutim, sva je
prilika da bi u stvamoj matrici podataka Ijudi bili identifikovani nekom
brojčanom šifrom, kao što je redni broj, a ne prezimenom. Korišćenje brojevaje
vrlo uobičajeno, ali iza toga ne leže neki suštinski razlozi vezani za teoriju
merenja, jer nominalne, pa i ordinalne varijable mogu sadržavati slova iz bilo
kakve azbuke. Prirodno je da se starost izražava kao broj godina života (ili
eventualno kao godina rođenja). Međutim, razlozi da se pol predstavlja kao
l=muški, 2=ženski, ili obrazovanje kao l=bez škole, 2=osnovna škola, 3=srednja
škola i 4=viša i visoka škola su isključivo praktični. Drugim rečima, za
kvantitativne merne skale je prirodno da se koriste (dodeljuju) brojevi, a u slučaju
nominalnih i ordinalnih to je pogodna konvencija.
Praktičnost upotrebe brojeva za označavanje kategorija nominalnih varijabli
je, opet, prvenstveno vezana za primenu računara pri unosu i obradi podataka.
Neki od razloga za to su: a) na tastaturama računara postoji posebna grupa
numeričkih tipki koja čini da se numerički podaci lakše unose, b) jednocifreni
brojevi zauzimaju manje mesta u računarskoj memoriji od slova, i c) lakše je
vršiti elementamu logičku kontrolu na numeričkim podacima. Ako se umesto
brojeva koriste slova, ili kombinacija brojeva i slova, problemi počinju već pri
unosu podataka, a zatim i u svim ostalim aspektima.
Pored spomenutih prednosti brojeva, postoji i prednost lakših transformacija
numeričkih podataka. Numeričke transfonnacije su uglavnom besmislene kod
nominalnih skala, ali kao što je ranije rečeno, čisto nominalne varijable su retke
jer obično postoji jedan ili više ordinalnih segmenata u nominalnoj varijabli koji
su podložni num eričkim transform acijam a. Postoji i izvesna „naklonost”
statističkih programa ka numeričkimpodacima, koja se ogleda u tome da je njima
generalno lakše manipulisati.
Skale stavova, prikazane gore kao „stav...” se uobičajeno kodiraju
numerički, sa npr. brojevima 1 do 5 i to kao: l=uopšte se ne slažem, 2=ugIavnom
se ne slažem, 3=neodIučan, 4=uglavnom se slažem i 5=potpuno se slažem. Iza
toga ne stoje praktični, nego teorijski razlozi, jer teorija merenja stavova obično
pretpostavlja da je stav kvantitativno svojstvo, koje se proteže na jednom
kontinuumu (kontinuumu stava), pa skala od „uopšte se ne slažem” do „potpuno
se slažem” predstavlja određene tačke na tom kontinuumu i stoga teorijski
predstavlja intervalni nivo merenja. Napominjemo da današnja pravila teorije
merenja nalažu da se takve varijable tretiraju, ipak, kao ordinalni nivo merenja.
U zavisnosti od tehnologije unosa (obuhvata) podataka, može biti značajno
to što je starost u tabeli prikazana kao dvocifrena varijabla, a ostale kao
jednocifrene. Ako se podaci unose po klasičnoj metodologiji, onda svaka cifra (a
ne varijabla) zauzima jednu poziciju, što znači da su za starost potrebne dve
pozicije.
Naravno, istraživačima je pri interpretaciji rezultata statističke obrade lakše
ako umesto brojčanih šifri 1 i 2, u hstingu vide „muški” i „ženski”, ili umesto šifri
1, 2, 3 itd. vide nazive zanimanja: nezaposlen, poljoprivrednik, domaćica itd.
 a. N eka praktična p itanja o varijahlama

Pogledajmo sledeće pitanje iz nekog zamišljenog upitnika:

99, Navedite dva glavna probiema sa kojima se suočava vaša porodica u svakodnevnom
životu.
1. Nizak standard i besparica 5. Sveukupna situacija u društvu
2. Politička nesigurnost i nedostatak demokratije 6. Ostalo
3. Nezaposlenost 7. Ne znam
4. Bolest članova porodice 8. Ne želim da odgovorim

Ovako kako je pitanje formulisano ispitanik treba da zaokruži dve od prvili

6 altemativa, ili samo jednu od altemativa 7 i 8. lako je u pitanju traženo da se
zaokruže dva problema, možemo očekivati da će neki ispitanici ipak zaokružiti
samo jedan (i to ne onaj pod „ne znam”). Ako su zaokmžena dva odgovora, mi ne
znamo koji od tih probiema je za ispitanika važniji, a koji manje važan. Ako nas
je interesovao i taj podatak, onda pitanje nije dobro postavljeno. Medutim, ono
što n am je sada važno je to što ovo pitanje „proizvodi” dve varijable koje bismo
mogli nazvati „najvažniji problem porodice 1” i „najvažniji problem porodice 2”,
ili skraćeno 99.1 i 99.2. Svaka od tih varijabli može sadržavati brojeve od I do 8,
jer je najpraktičnije da se „ne znam” i „ne želim da odgovorim” (ako su
zaokruženi) dodele obema varijablama (iako je moguće u tom slučaju drugoj
varijabli dodeliti nulu). Druga varijabla može sadržavati vrednost 0 (nula) i ako je
ispitanik zaoknjžio samo jedan problem.
Šta meri ovo pitanje? Na manifestnom nivou stvar izgleda jasna. Medutim,
kada se ovo pitanje „ukrsti” sa političkini opredeljenjem ispitanika, može se
uočiti tendencija da pristalice vlasti više zaokružuju altemativu I, a pristalice
opozicije altemativu 2 (na primer). U tom trenutku postaje jasno da mišljenje
Ijudi o tome šta je najveći problem nije jednostavna, jednoznačna i „objektivna”
analiza situacije, nego rezultanta ukupnog odnosa prema dmštvenom trenutku i
svim prilikama u kojima se ispitanici nalaze. Zato istraživač može ovo pitanje da
iskoristi kao indikator za „pozicioni-opozicioni” stav i da od njega formira
varijablu koja sadrži samo 3 modaliteta: pozicioni (sa altemativom I), opozicioni
(sa altemativom 2) i ostalo (sve ostale altemative).
Sledeće pitanje takode može biti korisno za ilustraciju pojma varijable:
11. Zaokružite stvari koje vaše domaćinstvo poseduje.
IF riž id e r 5, Televizor
2. Mašina za pranje rubija 6. Personalni računar
3. Eiektrični ili plinski štednjak 7. Električni ili plinski bojler
4. Mašina za pranje suđa 8. Ništa od toga

Ako je prikupljanje podataka sprovedeno uredno, ispitanik bi morao imati

najmanje jedan zaokružen odgovor. Međutim, šta će sve zaokružiti pojedinačni
ispitanik, to ne znamo, ali znamo da može zaokružiti sve altemative od 1 do 7
(istraživač bi, u cilju konfora, mogao predvideti i kategoriju ,,Sve”). To znači da
ovo pitanje mora rezultirati u 7 binamih varijabli koje sadržavaju vrednosti 1-Ne
i 2-Da.
Altemativno, ako postoje neki specijalni razlozi (kao što je ekonomičnost),
a na osnovu prethodnog pregleda materijala znamo da je najveći broj ispitanika
zaokružio 1, 3 i 7, mogli bismo fonnirati jednu varijablu koja bi sadržavala
sledeće vrednosti-kategorije: l=frižider, el. štednjak i bojler, 2=(1 + mašina za
pranje rublja), 3=(1 + televizor), 4=(2 + televizor), 5=(1 + ostalo), 6=ništa (svi
ovi primeri služe samo za ilustraciju problema i ne predstavljaju rešenja iz
konki-etnih istraživanja).
Još jedan veoma važan aspekt se može ilustrovati prethodnim pitanjem.
Ovako neposredno kako je postavljeno, pitanje se može tretirati kao „popisno”,
koje ima za cilj običnu deskripciju. Prebrojavanjem odgovora možemo dobiti
odgovor na to koliko stanovništvo poseduje odredenih aparata (ako je uzorak bio
reprezentativan). To je elementarna (kvantifikatorska, v.) namena varijabli.
Međutim, istraživača bi moglo zanimati da izmeri nešto što se naziva materijal-
nim statusom ispitanika. U stabilnim i uređenim društvima, materijalni status se
najbolje meri pitanjem o mesečnim prihodima, ili o iznosu plaćenog poreza. Kod
nas, nažalost, to nije tako, iz raznih razloga, tako da istraživači ne obraćaju
naročitu pažnju na izjavu u novčanim prihodima, nego nastoje da nizom pitanja
„napipaju” socio-ekonomski status ispitanika. Jedna grupa pitanja koja su sa tog
stanovišta relevantna su svakako ona koja se tiču posedovanja raznih dobara.
Dakle, materijalni status je jedna latentna osobina, tačnije stanje pojedinca
ili domaćinstva koja nije neposredno vidljiva. Prethodnim pitanjem možemo
saznati jedan aspekt materijalnog statusa - posedovanje kućnih aparata. Pored
toga, trebalo bi postaviti pitanje o stambenim prilikama, automobilu, novčanim
prihodima ili putovanjima. Kada se gleda na taj način, istraživač bi možda gornje
pitanje pretvorio u samo jednu varijablu - broj zaokruženih aparata. Međutim,
fmije (multivarijatne) analize su, na primer, pokazale da svaki kućni aparat ne
signalizira materijalni status u istom iznosu. Posedovanje mašine za pranje suđa,
recimo, više korelira sa materijalnim statusom nego posedovanje bojlera. Zato
nije neobično da kao indikator materijalnog statusa kod nas istraživači uzimaju
prvi faktorski skor iz svih pitanja koja se odnose na taj domen.
Kad se radi o nominalnim varijablama, važno pitanje je obuhvatnost,
odnosno iscrpnost varijabli. Naime, ako u varijabli nacionalnost predvidimo
odgovore: 1-Srbin, 2-Crnogorac, 3-Jugosloven, onda ćemo kod Muslimana,
Mađara, Hr\'ata i dmgih imati tzv. neodgovor. U ovom primeru je stvar jasna, pa
je i mogućnost grešaka mala, ali ako pitanje glasi ,,Šta je ono što vam najčešće
padne na pamet kad razmišljate o sutrašnjici”, a poniiđeno je nekih 9 mogućih
odgovora, onda postoji velika mogućnosti da se mnogi ispitanici neće moći
pronaći inedu ponuđenim odgovorima, pa ćem.o opet imati povećanu stopu
neodgovora. Takvi problemi se rešavaju, rečeno terminologijom dnevnih redova,
pomoću „tačke razno”, odnosno kategorija kao što su ,,ne znam”, „dmgo” itd.
(istraživački žargon ove kategorije ponekad označava „čep” kategorijama). Vrlo
dobar način rešavanja tog problema je da se u pilot istraživanju proveri obuhvat-
nost varijable (tj. repertoar odgovora). Istraživači nekad pribegavaju manje
pogodnom rešenju, a to je da se pitanje ostavi sa otvorenim odgovorom. Ispitanici
rečima upisuju svoje odgovore, a istraživači ih kasnije putem jedne vrste anaiize
sadržaja razvrstavaju u dominantne kategorije. Postoji i rešenje sa uvrštavanjem
odgovora „D ru g o _______ ”, koje omogućava da ispitanici sami prošire spisak
ponuđenih odgovora (v. poglavlje o upitniku).
Cest neposrazum između istraživača i statistike je u odnosu pitanja i
varijabli. Pogledajmo sledeće pitanje;
13. Da li ste do sada imali problema sa našim osobljem?
1.N e
2. Da
a. Ne više nego na drugim mestima
b. Lekari su Ijubazni, a sestre ne
c. Dugo se čel<a na uslugu
d. Usluge su loše jer je osoblje preopterećeno
3. Ne znam

Već na prvi pogled se vidi da je sastavljač pitao više stvari. Samo po sebi,
to nije pogrešno. Šta više, ispitanicima verovatno neće mnogo smetati formulacija
pitanja. Međutim, kod unosa i obrade podataka postaviće se problem koliko tu
varijabli zapravo ima. Naime, izgleda da je istraživača interesovalo ne samo da li
je ispitanik imao problema, nego i kakvih (altemative 2.b i 2.c), a kao i da ga je
interesovalo ispitanikovo obrazloženje (2.d).
Dakle, ovakva pitanja nisu a priori besmislena, ali kad god statističar vidi
hijerarhijske altemative on posumnja da istraživač nije načisto sa time šta je želeo
da pita. Ako ne postoje neki posebni razlozi za ovakva složena pitanja, bolje ih je
razdvojiti na jasna i eksplicitno sročena odvojena pitanja.

b. N eka praktična pitanja o m atrici podataka

Kompozicija osnovne matrice podataka u socijalnim istraživanjima može

biti veoma različita. Entiteti ne moraju biti Ijudi, a varijable mogu da budu veoma
različite. Ništa, međutim, neće promeniti njenu osnovnu strukturu: entitcti x
atributi, pri čemu atributi po pravilu predstavljaju slučajne varijable, a ove opet
najčešće sadrže numeričke podatke.
Primer osnovne rnatrice podataka koji je dat u tabeli 5 i ostali primeri dati u
prethodnim pasusima očigledno su iz oblasti neposrednog istraživanja čovekovog
ponašanja. Kao što je više puta pomenuto, dmštvene nauke vrlo često prikupljaju
podatke o grupama, slojevima, regionima i institucijama, u kom slučaju te gmpe
predstavljaju entitete. Postoje vrlo raznovrsni nacrti istraživanja i kombinacije
osnovnih jedinica posmatranja. Kod longitudinalnih istraživanja (v.) se može
raditi o istom entitetii, posmatranom u više vremenskih tačaka. U tom slučaju
redovi osnovne mah'ice podataka mogu sadržavati ta pojedinačna posmatranja.
Ako su entiteti proizvodi Ijudske delatnosti, kao što su razni artefakti, intelek-
tualni proizvodi (infonnacije, poruke), organizaciona rešenja, ili bilo šta drugo,
onda će u redovima matrica podataka biti odabrani proizvodi.
Slično važi i za kolone osnovne matrice podataka - velika raznolikost.
Prirodno je da tip i priroda varijabli koje se nalaze u kolonama zavise od toga šta
su entiteti. Na primer, u spomenutim longitudinalnim istraživanjima, tabela 5 bi
dobila i treću dimenziju; vrcme. U praksi se matrice podataka retko prave kao
višedimenzionalne (iako teorija podataka to predviđa), nego se dimenzije pretva-
raju 0 dodatne skupove redova i/ili kolona. Recimo, varijable iz novih posma-
tranja se unose u dodatne kolone na kraju matrice.
Koncipiranje atributa koji će se meriti u istraživanju predstavlja vrlo
„intiman” deo istraživačkog procesa. Nema neke posebne oblasti ili naučne
discipline koja bi mogla direktno pomoći istraživaču da reši taj problem. Prva i
osnovna referenca na koju istraživač može da se osloni su dosadašnja istraživanja
dotične pojave (bila empirijska ili ne). Sledeće što će rukovoditi istraživača u
izboru varijabli je izbor teorijske perspektive - bihejvioristi neće istraživati iste
varijable kao i konstruktivisti. Nakon što svoje istraživanje locira u šire i uže
teorijske okvire koje je odabrao kao relevantne, istraživač će verovatno morati
proći jednu fazu iterativnog prilagođavanja formulacije hipoteza, izbora varijabli,
niogućnosti merenja i mogućnosti obrade sa ciljevima istraživanja. Sva ta pitanja
se razmatraju u odgovarajućim poglavljima ove knjige.
Na primer, ako istraživač analizira načine na koje rukovodioci ocenjuju
podređene, on može dati nekom uzorku rukovodilaca zadatak da napismeno daju
mišljenje o Ijudima kojima rukovode. Altemativno, mogu se uzeti mišljenja
rukovodilaca o kandidatima koji su se prijavili za konkurs, ili se može rukovo-
diocima dati da napišu esej o tome kako vide idealnog kandidata za radna mesta
iz njihovog domena. Ovi pisani dokumenti se mogu tretirati kao poruke i podvrći
analizi sadržaja. Kao što predviđa analiza sadržaja, prvo se moraju definisati
varijahle, odnosno kategorije koje se posmatraju. Na primer: da li rukovodilac
obraća pažnju na pol i starost kandidata, radno iskustvo, izgled, komunikativnost,
ličnost, kvalifikacije ili nešto drugo.
U ovom istraživanju se može desiti da nacrt bude takav da svi rukovodioci
ocenjuju iste kandidate. U tom slučaju postojaće dva entiteta: rukovodilac i
kandidat. Naime, može postojati interakcija izmedu rukovodilaca i kandidata u
tom smislu što neke osobine kandidata provociraju izvesne procene (osećanja)
kod rukovodilaca. Pošto će istraživač verovatno želeti da kontroliše ovu
interakciju, matrica podataka mora sadržavati oba entiteta - i rukovodioce i
kandidate. To se može postići tako da entiteti budu rukovodioci, a da varijable
budu ponovljene za svakog ocenjivanog kandidata - npr. pol za pi-vog kandidata,
pol za drugog itd. Obratno, kandidati se mogu „uvesti” u matricu i kroz redove,
odnosno ponavljanjem za svakog rukovodioca - npr. prvi rukovodilac o prvom
kandidatu, prvi rukovodilac o drugom kandidatu itd.
Osnovna matrica podataka prikazana u tabeli 5 je dokazano univerzalna i
čvrsto utemeljena u samoj suštini empirijske metode. Kao što smo upravo videli,
ona je u stanju da odražava vrlo kompleksne istraživačke nacrte i modele poda-
taka. Naravno, u kompleksnim istraživanjima će i unutrašnja struktura matrice
podataka biti kompleksna, pa ponekad treba vremena i truda da bi se razumelo šta
treba da nalazi u redovima i kolonama te matrice.

C. Problem i cilj istraživanja

Neko bi možda mogao zaključiti da naučno saznanje, da bi bilo istinito, ne

sme biti rukovođeno Ijudskim potrebama i željama. Medutim, teorijski je i
praktično nemoguće sprovoditi istraživanje koje nije usmereno na davanje nekih
odredenih odgovora ili na rešavanje nekih odredenih problema. Iza svakog
istraživanja stoji neki problem koga treba rešiti, ili potreba koju treba zadovoljiti.
Pokretači naučnog istraživanja su potrebe istraživača, naučne zajednice ili društva
u celini. Te potrebe mogu biti vrlo raznolike, ali bi se grubo mogle podeliti na
praktične i saznajne. Jedna od potreba koju treba negovati i ceniti je svakako
radoznalost - svaki istraživač žcli da nade odgovore na svoja pitanja. Nauka,
gledano u celini, nije niti spekulisanje u svetu ideja niti besciljno akumuliranje
empirijskih fakata. Praktični ili saznajni problem koji istraživanje nastoji da reši
naziva se problem istraživanja.

1. Izvori ideja

Z đrav razum i p osm atranje okolnog sveta - Ideje za problem istraživanja

dolaze iz literature, postojećih teorija ili svakodnevnog života. Kada je
svakodnevni život izvor ideja za istraživanje, to znači da se istraživač oslanja na
zdrav razum i posmatranje okolnog sveta. Zdrav razum je sadržan u mnogim
izrekama kojima smo okruženi. Takve su: „suprotnosti se privlače”, „iver ne pada
daleko od klade”, „batina je iz raja izašla” ili ,,s kim si onakav si”. Takve narodne
mudrosti zaslužuju da budu proverene. Posmatranje sebe i okoline je vrlo zdrav
način da se dode do ideje za istraživanje i preporučuje se studentima kao izvor
tema za edukativna istraživanja. Recimo, svi smo koristili strategiju da neku stvar
ostavimo na posebno mesto kako bi je kasnije lakše pronašli. Nažalost, svi smo
iskusili da se kasnije sećamo da smo to uradili, ali ne i gde smo je stavili (čisto
radi informisanja čitaoca: ova pojava je istražena i pokazalo se da što je mesto
neobičnije, to ćcmo ga se teže setiti). Poznat je i „zakon” da ćcte uveče, kad se
posle burnog provoda vraćate po inraku kući, iz svežnja ključeva uvek odabrati
pogrešan ključ. Pedantni Hans Eysenck je istraživao i ustanovio da svi ključevi
imaju jednaku verovatnoću izbora i da ne postoji nikakav poseban usud u obliku
Marfijevog zakona. Jedno istraživanje se, recimo, bavilo načinom na koji studenti
nose knjige i sveske. U tvrdena je jedna od najvećih polnih razlika ikad
zabeleženih, jer žene u ogronmoj većini nose knjige na grudima a muškarci pod
miškom.
Praktični problem i - Praktični problemi su podničje u kojem se od nauke
često očekuje rrmogo i odmah. Istraživači ponašanja su veoma često posvećeni
otkrivanju želja i preferencija stanovništva, razloga socijalno patološkog ponaša-
nja ili razloga zašto deca beže sa časova. Nažalost, ova hic et nunc očekivanja od
nauke bivaju češće izneverena nego zadovoljena, ali u dobro definisanim uslovi-
ma mogu da ponude dobra i brza rešenja.
Slučajna otkrića I paradoksalni d o g a d a ji- Čest izvor novih ideja su
slučajna otkrića."' Recimo, Ivan Pavlov je otkrio pojavu uslovnih refleksa izuča-
vajući pseći digestivni sistem tako što je merio salivaciju kada se psu da hrana.
Osećaj da se do nečega došlo neznano kako imaju svi Ijudi povremeno. U
psihologiji je poznat „alia doživljaj”, koji je deo rešavanja problema, kada nam se
rešenje problema iznenada ukaže, bez najave. Slučajna otkrića su slična „aha
doživljaju”, ali se pokazalo da su povezana sa zabludama zbog istraživačkog
očekivanja i sa samoispunjavajućim proročanstvima}^ To znači da treba biti
oprezan kada nam se učini da smo iznenada došli do nekog objašnjenja, jer ono
može loše uticati na objektivnost.
Primer za paradol<salne događaje je ubistvo Katarine Đenoveze, koju je napadač
napao nožem u stanu, a l<omšije se oi<up!jale i posmatrale to kroz prozor. Tokom pola sata,
koliko je trajalo mrcvarenje i vrištanje Katarine, niko od komšija nije pozvao policiju. Anaiizi-
rajući ovaj dogadaj, dva autora su postaviii hipotezu „difuzije odgovornosti", koja do danas
nije odbačena - što ima više posmatrača, manja je verovatnoća da će neko pružiti pomoć.

T eorije- Teorije kao elementi naučnog saznanja, organizuju veći broj

poznatih činjenica, opisa ponašanja ili konstrukata u smislen sistem koji onda
predstavlja objašnjenje pojedinačnih činjenica. Objašnjenje činjenica se zasniva
na vezama među njima koje teorija mora jasno da specificira. Međutim, iz teorija
se, po pravilu, mogu izvoditi predvidanja novih činjenica, ponašanja i njihovih
odnosa. Iz svakog odnosa koji je naveden u teoriji može se izvesti problem
istraživanja ili hipoteza, Na primer, ako se radi o teoriji koja memoriju deli na
radnu (kratku) i dugu, iz nje se izvode zaključci da u mozgu postoje različiti
centri i mehanizmi za jednu i za drugu memoriju. Na osnovu toga se mogu
sprovesti istraživanja koja će ispitivati razlike između osoba koje su pretipele
polres mozga i onih kojim aje oštećen hipokampus. Iz teorije evolucije, opet, sledi
da muškarci i žene moraju imati različit pristup i prioritete pri izboru partnera jer
su njihove mogućnosti prenosa gena na sledeću generaciju različite. Žene, tako,

Na engleskom se sposobnost ihpojava slučajnogotkrićanazivdiserendipity, prema

staroj cejlonskoj bajci o tri princeze iz Serendipa koje su stalno imale sreću danalaze stvari.
Sociolog Robert Merton je skovao naziv „samoispunjavajuće proročanstvo” da bi
opisao pojavu da Ijudi neprekidno stvaraju predviđanja, tačna ili pogrešna, zatim da se
ponašaju u skladu sa tim predviđanjima, i da konačno, posledice takvog ponašanja tumače
kao potvrdu svog predviđanja.
imaju ograničenja u broju potomaka, u dužini trajanja reproduktivnog perioda i u
obavezama u podizanju dece. Na osnovu teorijskili predikcija, žene bi morale
preferirati partnere za koje su sigurne da će podržati opstanak (retkih) potomaka
(imućne, uspešne, dominantne), dok bi muškarci morali preferirati partnerke koje
imaju veću šansu da rode (zdrave, mlade, skladne). Nalazi mnogih istraživanja
podupiru ove predikcije (Cozby, 2003), ah je zanimljivo da mogu da se tumače i
na drugi način. Recimo, autori koji su više socijalno orijentisani smatraju da
razhke u preferencijama potiču od podele rada: žene se bave materinstvom a
muškarci materijalnim blagostanjem.
Prošla istraživanja i konfliktni nalazi.- Prošla istraživanja su standardan
izvor ideja za nova istraživanja. Šta više, uobičajena struktura empirijskog
istraživanja nalaže da se analiziraju prethodne studije i da se problem istraživanja
formuliše iz eventualnih nedostataka u njihovim zaključcima. Posebno inspira-
tivni za nova istraživanja pokazali su se nalazi koji su protivrečni ili čak potpuno
suprotni. Cozby (2003) ilustruje značaj prošhh istraživanja sledećim primerom.
Autistična deca imaju teške poremećaje u jezil<u i komuniciranju, Niz istraživanja te
pojave i prakličnili iskustava doveii su do tehnike „potpomognute komunikaclje”. Ona se
zasniva na tome da pomoćnik (faciiitator) pridržava detetovu ruku dok ono na tastaturi kuca
slova kojima saopštava svoja osećanja ili odgovara na pitanja, Većini roditelja, vaspitača I
posmatrača je ova tehnika izgledala kao ćudesni prodor u dotada zatvoreni autistični svet,
Medutim, naučnici, po meri metodoioške skepse, posumnjali su da možda facilitator
nesvesno vodi detetovu ruku, te da se komunikacija, zapravo, vrši sa pomoćnikom a ne sa
samim detetom, Zato je sprovedeno istraživanje u kome su postojale tri situacije, U prvoj je
ista slika prikazivana i detetu i pomoćniku, u drugoj je slika prikazivana samo detetu, a u
trećoj su raziičite slike prikazivane detetu i pomoćniku, ali tako da pomoćnik to ne zna,
Rezultati su nedvosmisleno pokazali da su slike bivale prepoznate samo kada su oboje, i
dete i pomoćnik, videli istu sllku, Kada je sllku videlo samo dete, ono nikada nije prepoznalo
sliku, Konačno, u trećoj situaclji je najčešće prepoznata bila ona slika koja je prikazana
pomoćniku.

Intenzivne studije s lu č a ja - Intenzivne studije slučaja (v.) se obično

sprovode nakon paradoksalnih događaja iU konfliktnih nalaza. Ovakve studije
mogu pružiti sasvim nove uvide i pomoći stvaranju hipoteza. Interesantni su
primeri iz ninogih oblasti kada su autori sprovodili studiju slučaja na samom sebi,
npr. psiholog Ebbinghaus, Poznat je studija slučaja Aleksandra Romanoviča
Lurije, ruskog psihologa, na mnemonisti - čoveku koji ništa ne zaboravlja.
0 tom slučaju je Lurlja naplsao knjigu I detaljno opisao tok svog istraživanja,
zapažanja I pretpostavke kojl su nastall nakon što je mnemonistu pod pseudonlmom S život
slučajno doveo do Lurije. Kada se mnemonlst pojavlo kod Lurije (koji se upravo u to vreme
intenzivno bavlo proučavanjem pamćenja), on ga je podvrgao standardnlm testovlma
zapamćivanja serlja slova I brojeva, S, koji dotada nije imao svest da je po nečemu drukčljl
od drugih Ijudl, uspevao je da upamtl svaku serlju slova i brojeva, počev od standardnih 15
elemenata, pa sve do 70, Štavlše, uspevao je da potpuno tačno ponovi serlje koje je učlo
prvog dana (to je uspevao čak I nakon 15 godina), unapred, unazad III iz sredine, na osnovu
čega je Lurlja prestao da gubi vreme proveravajući koliko mnogo i kollko dugo može da
pamti, jer je bllo očlgledno da p a m ii sve i to neograničeno dugo. Nakon toga se Lurija pos-
 Isto onako kao što je preterana uopštenost problema smetnja sprovođenju
istraživanja, čest nedostatak formulacija problema je preterana uskost i speci-
fičnost. Iz straha da ne upadnu u zamku opštosti, istraživači početnici ponekad
posežu za uskim, trivijalnim, površnim i nenaučnim temama, kao što je: „Ulična
anketa stanovnika opštine Savski Venac o Romskim orkestrima na svadbama”
(uspešan način da se problem učini trivijalnim je geografsko ili vremensko ogra-
ničavanje, ili oba zajedno - uzmimo da smo prethodne svečanosti još ograničili
na 2005. godinu).
Problemska izjava, dakle, ne sme biti ni previše opšta ni previše uska. I u
jednom i u drugom slučaju, istraživanje će biti pogrešno usmeravano. Ako je
problemska izjava preširoka, hipoteze će verovatno biti u protivrečnosti sa njome.
Ako je, opet, preuska, zaključci će verovatno prevazilaziti predmet istraživanja.

3. Cilj istraživanja

Rečeno je da su istraživački problemi pitanja koja se javljaju u okviru neke

naučne discipline (uže ili šire) ili u okviru svakodnevnog života, a koja, po
Jmišljenju istraživača nisu dobila pravi odgovor. Formulisano na drugačiji način,
za svako istraživanje se može reći da ima neku svrhu, cilj ili namenu. Prirodno je
da se cilj istraživanja izvodi iz problema, odnosno da je u uskoj povezanosti sa
problemom istraživanja. Kod problema koji su teorijske prirode, cilj i prbblem su
obično direktno povezani - rešavanje problema je cilj istraživanja.
Medutim, kod primenjenih istraživanja, a svako istraživanje pledira na neku
vrstu primenjivosti, cilj i problem se ne moraju potpuno podudarati. Zato se može
reći da se cilj odnosi naprimenjeni, odnosno praktični aspekt istraživanja, dok se
problem odnosi na naučni, odnosno saznajni. Svakako, ovo treba razumeti samo
kao načelni savet kako da se razlikuju problem i cilj, a ne kao njihovu defmiciju.
Vrlo je česta praksa da se od islraživača zahteva da u projektu istraživanja ekspli-
citno navede koje su moguće primene i koristi od istraživanja. To su onda ciljevi
istraživanja. S druge strane, problem je fomiulisan kao pitanje koje traži odgovor,
a dosada ga nije dobilo, ili ga nije dobilo na zadovoljavajući način. Recimo, cilj
. istraživanja može biti poboljšanje preventive protiv zloupotrebe psihoaktivnih
supstanci u školama, dok će problem biti formulisan kao pitanje: ,,Da li bolja
informisanost učenika doprinosi promeni stava prema drogama?”. Ili, cilj može
biti provera teorije o sedam osnovnih faktora ličnosti, a da problem bude formu-
lisan kao: ,,Da li postoje uzrasne razlike u sedmofaktorskom modelu ličnosti?”.
Eksplicitno formulisanje cilja istraživanja nije neophodno (osim ako to
naručilac ne zahteva), ali se preporučuje zato što može biti korisno istraživaču da
bolje suzi i fonnuliše problem. Veoma dobar način da se istraživanje „usaglasi sa
životom” je da se formuliše kratak i jasan cilj istraživanja - je d a n ili više njih.
Cilj istraživanja je obično formulisan kao izjava, dužine najviše jednog pasusa, u
kojoj su pobrojane namere i bitni činioci istraživanja. Ova izjava počinje obično
kao: „Cilj (svrha ili namena) ovog istraživanja je (bio je ili biće)...”. Sledeća
komponenta izjave o cilju često se formuliše kao: ,,...da proveri teoriju...”, ,,...da
utvrdi, objasni, opiše, ispita...” ili ,,.,.da doprinose ili poboljša...”.
Ipak, postoje različita mišljenja o tome da li u uvodu istraživačkog izveštaja
treba postojati samo deklaracija problema ili deklaracija cilja, ili trebaju postojati
obe. Neki autori podrazumevaju da deklaracija cilja, svrhe ili namene istraživanja
treba da zameni izjavu o problemu istraživanja, posebno u primenjenim istraživa-
njima. Ti autori preporučuju da u tom slučaju deklaracija o cilju treba da bude šira
nego što je opisano u prethodnom pasusu. Treba da sadrži: tip istraživanja,
varijable, populaciju, teorijski okvir i veze medu njima. Takvom izjavom istra-
živač objašnjava kako misli da reši problem koji istražuje, kako će odgovoriti na
pitanja koja postavlja problem i zašto uopšte sprovodi studiju. Npr.: „Cilj ovog
istraživanja je da proveri teoriju po kojoj način učenja studenata utiče na njihov
školski uspeh. Ispitivaćemo nekoliko uobičajenih načina učenja (pojedinačno-u
grupi, kod kuće-u biblioteci, aktivno-pasivno), a školski uspeh će biti iskazan
kroz prosečnu ocenu i dužinu studiranja”.
Izjave o problemu i cilju istraživanja su delovi uvodnog poglavlja u istraži-
vačkom izveštaju. One nisu jedini delovi uvoda, nego se na tom mestu očekuje i
pregled literature, nedostaci dosadašnjih istraživanja i značaj istraživanja. O
sadržaju tivoda i načinu njegovog pisanja biće reči u glavi o naučnoj produkciji.

D. Istraživanje u biblioteci

Ovaj naslov namemo krije dvosmislenost; istraživanje je u fazi biblioteke i

vrši se istraživanje biblioteke. Već je ukazano da su značajan izvor istraživačkih
ideja članci i knjigc. No, literatura nije važna samo kao izvor ideja. U literaturi je
sadržano postojeće naučno znanje i „minuli rad” svih prethodnih istraživača. Zato
literatiu'a mora i može da se koristi u svim fazama istraživanja; od formulacije
problema do tumačenja rezultata. U zavisnosti od cilja istraživanja (primenjeno ili
fundam entalno), težine problem a, od vrste istraživanja (eksplorativno ili
konfinnativno), ali i od savesnosti istraživača, prikupljanje, pregled i integracija
literature mogu oduzeti veliki deo raspoloživog vremena. Pošto je to jednako
važna faza istraživanja kao i sve druge, nazvali smo je istraživanjem u biblioteci,
a ko je probao biće sklon i da to nazove istragom.
Jedan od osnovnih epistemoloških zahteva koji se postavlja pred empirijska
istraživanja - ponovljivost, odnosi se u potpunosti i na literaturu. To znači da u
istraživačkom izveštaju valja detaljno navesti svu relevantnu literaturu koja je
korišćena prilikom planiranja i sprovodenja istraživanja. Da bi istraživanje bilo
ponovljivo, sledeći istraživač mora biti u stanju da pronade i proveri iste one
početne infonnacije koje su poslužile prethodnom istraživaču.
 Međutim, način korišćenja literature zavisi od cilja i vrste istraživanja.
Kvantitativna istraživanja (v.) korističe, recimo, literaturu na „deduktivan” način,
kao nešto što je opšte i na čemu će se graditi vlastito istraživanje. Zato se u
kvantitativnim studijama detaljan pregled literature obično nalazi na početku
istraživačkog izveštaja]e,t se iz literature izvode problem i hipoteze istraživanja.
Nešto od literature može da se citira i na kraju rada, tokom interpretacije nalaza,
kada se vlastiti nalazi porede sa prethodnim.
Zastupnici kvalitativnih paradigmi(v.) kažu da istraživač ne sme polaziti od
predubedenja i gotovih hipoteza, nego će graditi svoje razumevanje pojave na
osnovu nepristrasnog slušanja onoga što govore ispitanici. Zato kvalitativnu stu-
diju ne bi trebalo početi od pregleda literature. To posebno važi za induktivni tip
teorije kao što je utemeljena teorija (v.). Tamo se literatura konsultuje nakon što
se prikupe podaci i onda kada ih treba objediniti, protumačiti i fom irati teoriju,
Ipak, bez obzira na cilj i tip istraživanja, svi istraživači moraju da se
upoznaju sa literaturom na samom početku istraživanja. Literatura pomaže istraži-
vaču da postavi teorijski okvir istraživanja. Pod teorijskim okvirompodrazumeva-
mo teorijsku per.spektivu (v.) ili paradigmu, koja je važna za svako istraživanje,
ali za neka manje (npr. kvantitativne studije), a za neka više (npr. studija slučaja).
Izbor teorijske perspektive se može obaviti i na osnovu ličnih sklonosti - apriori,
ali će i dalje biti važan teorijski okvir nižeg nivoa, potreban za sprovođenje kon-
kretnog istraživanja. U tom smislu, iz literature treba uzeti uobičajene pojmove i
tenninologiju, raspoložive hipoteze, postojeća teorijska objašnjenja, dominantne
metode, ali i nedostatke, probleme ili protivrečnosti.
U svim vrstama studija može se „pregled literature” staviti u posebno
poglavlje, ili u poseban deo uvodnog poglavlja. Creswell (2003) sugeriše da
postoje tri karakteristična načina na koji se piše pregled literature: integrativan,
teorijski ili metodološki. Integrativni pristup je karakterističan za teze i disertacije
i sadrži obimnu literaturu i nastojanja da se ona predstavi integrisano. Teorijski
pristup je karakterističan za članke u časopisima i u njemu se prikazuje odabrana
teorija, razmatra se i povezuje sa pretpostavkama samog istraživanja. Metodološ-
ki pristup je orijentisan na metode i defmicije, posebno na kiitički osvrt na dosada
korišćenu metodologiju.
Istraživanje u biblioteci je univerzalan zadatak i svakodnevno ga sprovodi
na hiljade istraživača. Mnogo je učinjeno da ini se posao olakša, a postoje i čitave
naučne discipline koje se bave tim problemom. Osnovni preduslov za ovo
istraživanje je da postoje bibhoteke. No, to još ni izbliza ne rešava problem jer je
broj članaka i knjiga ogroman i nijedna biblioteka ih ne može posedovati sve.
Ekstremna voluminoznost naučne produkcije istakla je u prvi plan problem
pretraživanja bibliotečkih infom acija. Rešenje ovog problema nalazi se pi-ven-
stveno u primeni računara
 a. D igitalne biblioteke, bibliogm fske baze i elektronski časopisi

Digitalne biblioteke, bibliografslce baze i elektronski časopisi slnže prven-

stveno za upoznavanje sa dosadašnjim istraživačkim nalazima, dosada korišćenim
metodama i pristupima, problemima i ostalim stvarima koje su važne za istra-
živača. Dugi naslov ovog poglavlja i tri nabrojana pojma nisu sami po sebi
dovoljno jasni, pa ćemo samo ukratko objasniti na šta mislimo.
Radi se o tome da su naučne informacije sve dostupnije u računarski
kompatibilnom obliku (odnosno, na računarski kompatibilnom mediju). To znači
da ih možemo pročitati na računaru. To dalje znači da se mogu koristiti i druge
pogodnosti koje računari nose - lako pretraživanje po imenima autora, po
ključnim rečima, po godini izdanja, ili po bilo kom drugom delu teksta. Ne samo
to, takve računarski preparirane informacije se danas sve više drže na Intemetu,
što znači da ih istraživač može pretraživati i pregledati kod kuće.
Termin digitalna biblioteka (eng. D L -D ig ital Library) se obično koristi da
označi upravo to, celokupnu biblioteku na računaru (u digitalnom obUku),
uključujući kompletan tekst svih bibliografskih jedinica koje biblioteka poseduje.
Naravno, izrada takve digitahie biblioteke zahteva ogroman rad i zasada su
digitalne biblioteke u tom smislu samo cilj kojem se teži. Medutim, ako se kao
kriterijum uzme postojanje kompletnog teksta bibliografskih jedinica, bez obzira
da h su pokrivene sve naučne oblasti i duži vremenski period, onda broj tzv. „full
text” baza podataka u svetu raste. Bibliotečki podaci se standardno organizuju u
bazu podataka, sa preciznom strukturom podataka i medusobnim odnosima i
procedurama (softverom) za pretraživanje, kopiranje, štampanje i sl. Zato takve
stvari uvek nose naziv „baza...”. Tretman ove oblasti u naučnoj javnosti je veoma
ozbiljan i kao zasebna naučna grana nalazi se na granici bibliotekarstva i
informatike.
S obzirom na ozbiljne probleme koji se tiču unosa tekstova u računar,
elektronske bibliotečke baze imaju prilično jasnu hijerarhiju i jasan put razvoja.
Počelo je sa običnim katalozima ili indeksima radova, obično članaka u časopi-
sima (tzv. periodike). Kao što se može očekivati, najlakše je bilo formirati bazu
koja sadrži samo imena autora, godine izdanja, nazive publikacija, nazive članaka
i ostale elementame podatke.
Nakon toga, razvoj je išao u pravcu obuhvatanja sve većeg broj podataka o
radovima. Na prvom rnestu to su tri celine koje prate praktično svaki rad: a) afili-
jacije autora, odnosno nazivi ustanova u kojima autori rade, b) apstrakti radova
odnosno rezimei i c) spiskovi literature koja je referisana u svakom radu. Biblio-
grafske baze koje sadrže sve te podatke se obično nazivaju citatnim bazama, jer
se mogu izračunavati indeksi citiranosti, tj. može se ustanoviti koliko je koji
naučni rad, autor, ustanova, oblast, ili bilo šta drugo, citirana.
Poslednji i najviši stepen elektronskih bibhotečkih baza, koje sadrže i puni
tekst radova, ima dva oblika. U prvom obliku se uz svaki rad nudi i njegov puni
tekst, ali samo čist tekst. To znači da se odbacuju grafikoni, fomiule, slike,
ponekad tabele i dmge slične stvari koje se ne mogu prikazati običnim tekstom.
Generalno rečeno, u takvim bazama nije verno prenesen grafički preloma teksta
kao što su fusnote, stiipci, antrfilea i ostalo.
Drugi oblik čine baze koje sadrže „slike” radova, sa doslovno prenesenim
izgledom originalnog teksta (na engleskom se zato obično nazivaju „full page
image” bazama). U tim bazama se vide svi grafički elementi, svi aspekti grafič-
kog dizajna, isticanja teksta itd. (kod nas bi se to moglo nazvati elektronskim
fototipskim izdanjem). Takvi tekstovi se najčešće preuzim aju u Portable
Document Formatu (jidf) ili PostScript formatu (ps).
Bibliotečke baze na Internetu. - Neračunarske bibliografske i druge baze
su poznate već duže vremena. U nekim oblastima nauke one su bolje razradene i
više se koriste, a u nekim manje, ali je kod nas stanje i dalje takvo da njihova
dostupnost ne zadovoljava. Odavno postoje velike komercijalne baze apstrakata
na papiru, kao što su Sociological Abstracts ili PsychoIogical Abstracts, pa i
čitavih periodičnih tekstova, a njihovo korišćenje se naplaćuje na ovaj ili onaj
način. Takve baze su danas uglavnom prebačene u računarski format i dostupne
su na CD-ROM-ovima. Medutim, ono što im najviše povećava dostupnost je to
što im je danas moguće pristupiti preko Intemeta (npr. Sociological Abstracts iii
PsycINFO).
PsycINFO je poznata zbirka „psiholoških apstrakata” koju priprema APA
(www.apa.org). Njena upotreba se plaća, a uz doplatu se može koristiti i baza
članaka sa punim tekstom - PsycARTICLES. Postoji poseban softver za
pretraživanje PsycINFO baze. PsycINFO se pretražuje preko ključnih reči, a ako
ne možete da formulišete ključne reči koje vas interesuju, u bazi se nalazi
„Thesaurus o f Psychological Index Terms”.
U oblasti društvenih nauka vrlo je poznata serija bibliografskih baza
Instituta za naučne informacije (Institute for Scientific Information, ISI, http://
w ww.isinet.com ) koji sada funkcioniše u okviru informacione korporacije
Thomson. Tu spadaju poznate citatne baze Social Science Citation Index (SSCI),
Science Cilation Index (SCI) i A rt & Humanities Citation Index (A&HCI). Tre-
nutno je prismp i pretraživanje ovih (i nekih drugiii) baza omogućen preko integ-
risane mrežne on-line platforme koja se naziva ISI Web o f Science. Pristup punom
tekstu naučnih radova i publikacija omogućen je preko mrežne platforme IS I Web
o f Knowledge. Analogne bibliotečke infonnacije su sadržane i u poznatim
Current Contents, takode na ISI, koje se mogu nabaviti i na CD-ROMu. ,,ISI Web
o f Science” je dostupna i u preko naših biblioteka. Logika pretraživanja u SSCI se
zasniva na principu „ključnog članka”. Ključni članak je onaj koga je istraživač
prepoznao kao najvažniji za predmet njegovog istraživanja. Na osnovu referenci
iz tog članka, istraživač će lančano nalaziti sve više i više radova.
Medutim, ISI baze su komercijalne baze i ne mogu se pretraživati besplat-
no. To u situaciji kada je pisan ovaj tekst znači da će mnogi istraživači irnati
teškoća oko toga da iskoriste ove baze za dolaženje do spiska relevantne literature
za svoj rad. U poslednje vreme je kod nas aktivan servis KoBSON - Konzorcijum
biblioteka Srbije za objedinjenu nabavku na http://nainfo.nbs.bg.ac.yu/KoBSON/
page/. Preko KoBSONa mogu istraživači koji su zaposleni na državnim obrazov-
nim i naučnim institucijama besplatno koristiti neke od poznatih svetskih biblio-
tečkih resursa. Ostali istraživači mogu uz materijalnu nadoknadu koristiti usluge
KoBSONA u prostorijamaNarodne biblioteke Srbije, Bibhoteke Matice srpske u
Novom Sadu (http://www.bms.ns.ac.yu/), Univerzitetske biblioteke „Svetozar
Marković” u Beogradu (littp://www.unilib.bg.ac.yu/usluge/cene/intemet.php) i dr.
Za pretraživanje apstrakata iz svih medicinskih grana nezaobilazan je
Medline (dostupan, recimo, preko EBSCOa i KoBSONa), a za oblast obrazovanja
i razvoja ERIC (Education Resource Information Center, http://www.eric.ed.gov).
Pored ovih komercijalnih, postoje i kompjuterizovane univerzitetske biblio-
grafske baze čije pretraživanje je u javnom domenu, ali se dobijanje tekstova
naplaćuje, ili je na drugi način ograničeno. Veliki američki univerziteti nude
usluge pretraživanja univerzalnih bibliografskih baza (kao što su spomenuti
PsycINFO i SSCI), ali naravno, samo svojim nastavnicima i studentima (npr.
Univerzitet Stanford na http;//www-sul.stanford.edu/catdb/alldata.html). Kod nas
je najbolje pristupiti prezentaciji Narodne biblioteke Srbije na http://www.nbs.bg.
ac.yu i proveriti mogućnosti pristupa njenim i stranim resursima.
Treba istaći domaću citatnu bazu SocioFakt koju već dugi niz godina
razvija tim pod rukovodstvom p ro f Pere Sipke sa Filozofskog fakulteta u Novom
Sadu (http://www.ceon.org.joi). Puni pristup ovoj bazi se trenutno ostvaruje preko
SocioFakt Open Access, koji je instaliran u okviru Narodne biblioteke Srbije na
http://nainfo.nbs.bg.ac.yu/sfoa/.
Baza obuhvata osnovni korpus domaćih časopisa iz društvenih nauka, eko-
nomije i prava od 1991. godine. Pored toga, postoje i dopimske i pomoćne baze
koje sadrže starije časopise, knjige, razne adresare i servisne informacije. lako je
SocioFakt citatna baza, izvestan broj radova se može preuzeti u punom tekstu
(Portable Document Format - PDF). Osim manje-više uobičajenih informacija
koje nudi citatna baza (naslov, autore, afilijacije autora, izvor, sažetak, ključne
reči, spisak referenci i sl.), SocioFakt omogućuje nalaženje sličnih i povezanih
radova na osnovu deljenja referenci, kao i uvid u osnovne podatke o časopi.su.
Podaci sadržani u SocioFaktu se koriste za EINUS - Elektronski izveštaj o
naučnom učinku u Srbiji, koji je zasada u nezvaničnoj upotrebi i koji omogućava
uvid u naučni učinak pojedinaca, časopisa, ustanova, projekta, istraživačkih
timova i sl.
Kao što je rečeno, Internet je pružio nove aspekte i adute ovoj problematici,
prvo tako što je potpuno pojednostavio pristup bibliografskim bazama (uklju-
čujući i plaćanje, ako raspolažete kreditnom karticom), a drugo što je omogućio
da se zadovolji autorska potreba za diseminacijom i javnom prezentacijom
radova. Neki noviji kvantitativni scijentometrijski pokazatelji kažu da radovi koji
su dostupni na Internetu (pn line) imaju vcću citiranost. Na oko 120.000 članaka
utvrđeno je da je prosečan broj citata za o ff line članke 2,74, a za on line 7,03.
Zahvaljiijući toj potrebi, na Intemetu se mogu pronaći univerzitetski web site-ovi
na kojima su prezentirani naučni radovi in extenso. Ovi radovi su u nekim
slučajevima već objavljeni u nekom časopisu, nekada su na Intemetu pre nego što
se objave, a nekada postoje samo u on line izdanju.
 Virtuelna b i b l i o t e k a pojam vezan za Intemet, i okuplja na jednom mestu
linkove na informacije o nekoj oblasti, sadržane diljem Intemeta. Korisnik može
da pristupi velikom broju informacija koje su raspršene po računarima širom
sveta. Virtuelna bibliotekaje indeks tih informacija.
Na Internetu postoje „elektronski časopisi” sa kompletnim tekstovima, koji
ne postoje u klasičnom formatu, a ako postoje, onda on line verzija obično sadrži
samo apstrakte tekstova (rezimee). Tekstovi elektronskih časopisa su dostupni
pretraživanju po ključnim rečima, ili po bilo kom delu teksta i to kako u okvim
uobičajenih pretraživača za Intemet, tako i pomoću pretraživača koji idu uz
dotični bibliotečki web site. Čini se da je ovakvih elektronskih časopisa sve više,
ali im je pristup često ograničen raznim, najčešće komercijalnim aspektima
(plaćaju se).
Naravno, najveći domet u dostupnosti preko Intemeta su bibliotečke baze sa
punim tekstom publikacija, ili fototipskim slikama stranica. Uobičajeno je da
takve baze ne sežu mnogo godina unazad zbog teškoća obuhvata starih tekstova,
da ne obuhvataju najveće naučne časopise i da im se pristup plaća. Primer takve
baze je EBSCO (http://www.epnet.com/), koja je jednim delom citatna biblio-
grafska baza, jednim delom baza punog teksta, a jednim delom „full page image”
baza. Osim velikog broja naučnih časopisa iz razhčitih oblasti, ona obuhvata i
kompletnu medicinsku bazu Medline, zatim niz novina, magazina i nedeljnika
kao i bazu fotografija. Kod nas joj se može prismpiti preko Narodne biblioteke
Srbije (KoBSON).
Jedna od besplatnih „full page image” bibliotečkih baza je CiteSeer Publi-
cations Researchlndex (http://citeseer.ist.psu.edu/), kojaje doduše specijalizovana
za informatičke nauke, ali sa značajnim primenama u oblasti analize sadržaja,
digitalnih biblioteka, prepoznavanja teksta i likova, psihološkog i pedagoškog
testiranja i sl. Svakako, glavna prednost joj je što je dostupna, besplatna i sadrži
veran prikaz tekstova (u Postscript i PDF formatu).
U Sjedinjcnim Američkim Državama sve je više bibhotečkih baza sa punim
tekstom, koje su prvenstveno namenjene studentima dodiplomskih i postdiplom-
skih studija za izradu teza i disertacija. Jedna od njih je Questia (http://www.
questia.com). Ovim bazama je često dozvoljen besplatan pristup, ali u ograniče-
nom obimu ili u ograničenom vremenu. Javlja se i praksa da kupci udžbenika
izdatih u SAD dobiju izvesnu ograničenu pretplatu za korišćenje neke od takvih
baza. To je, na primer, slučaj sa Thomsonovim InfoTrac College Edition (http://
infotrac.thomsonleaming.com/index.htmI).
Medutim, studentu će vrlo korisni biti i „obični” pretraživači (tzv. search
engines), kao što su Google, Yahoo ili Altavista. Oni ne „zavimju” u specijalizo-
vane i komercijalizovane on-line baze, ali se preko njih mogu naći mnogi članci,
pa čak i knjige, na ličnim prezentacijama univerzitetskih nastavnika, prezentaci-
jam a univerziteta, istraživačkih ustanova i dr.
Sve što je dosada rečeno o tekstualnim bazama odnosilo se na periodiku,
odno.sno članke u časopisima. Zbog voluminoznosti (ali ne samo zbog toga), na
Intemetu je znatno teže naći kompletan tekst knjiga - monografija. Medutim, i
tako je nešto moguće ako je istraživač vešt u pretraživanju, ako ima dobm bazu
„bookmarka”, odnosno „favorita” i poznaje domene koji se bave njegovom
problematikom.
Sve u svemu, Intemet je već sada „najbolje mesto” za istraživanje literature
za domaće autore. On nudi opštu dostupnost tekstovima, ali ne uvek na besplatnoj
osnovi. Očigledno se radi o probleniu fmansiranja držanja, obrade, preuzimanja i
svih ostalih poslova oko bibliografskih podataka. Zbog toga besplatnc literature
još nema dovoljno, posebno kad se radi o velikim tekstovima kao što su knjige,
ali je u trenutnim okolnostima za domaćeg istraživača to najboije rešenje, a
analize govore da će i na globalnoj skali Internet osvajati takvu poziciju.

b. Bibliografski softver

Pod ovim nazivom se krije softver koji služi da piscu olakša i automatizuje
citiranje, navođenje referenci i formiranje bibliografije (literature, referenei).
Poznati su Thomsonovi Reference Manager (http://www.refman.com) i ProCite
(http://www.procite.com), ali postoje i dmgi programi i treba očekivati da će ih
biti sve više. U osnovi većine tih programa je interna bibliografska baza referenci.
Tu bazu može da popunjava sam korisnik, ili može da „skida” reference sa
Intemeta (npr. sa prezentacija časopisa i univerziteta), sa CD-ROMa ili diskete.
Referensnu bazu korisnik može formirati sam, kopirajući reference iz dmgih baza
iii ih unoseći direktno.
Kada tokom pisanja autoru zatreba da se pozove na neki objavljeni rad, on
mora pronaći taj rad u nekoj od baza koje je već ranije formirao ili na Internetu.
Ako nije potpuno siguran o kom članku se radi, može da pretražuje po raznim
kriterijumima i ključnim rečima, bilo lokalne baze bilo baze na Internetu. Kad
pronađe ono što mu treba, može ubaciti poziv na referencu direktno u svoj tekst,
može ubaciti samu referencu u bibliografiju i može formatirati bibliografiju po
nckom od standarda (APA, MLA, Turabian i sl.). Postoji problem sa integracijom
ovih programa u tekst procesore (prilikom instalacije, bibliografski programi se
„ugrade” u Tools opciju na meniju), zato što izlaze stalno nove verzije procesora
teksta. Isto se može očckivati i za pravila citiranja, koja se menjaju, pa recimo
nova APA pravila nisu ista kao stara.
 E. Hipoteze i istraživačka pitanja

Nakon defmisanja cilja istraživanja, problem se mora raščlaniti na hipoteze

ili istraživačkapitanja. Termin „hipoteze istraživanja” je uobičajen u kvantitativ-
nim studijama, dok se u kvalitativnim istraživanjima češće koristi termin „istra-
živačka pitanja”. Da bi sastavio istraživačku hipotezu, istraživač mora preciznije
da defmiše varijable i relacije između njih nego što je to učinio prilikom
fonnulisanja problema i cilja istraživanja. U prethodnoj glavi je objašnjeno da
varijable moraju biti operacionalno defmisane da bi mogle učestvovati u istra-
živanju. Isto važi i za hipoteze, pa se može reći da je operacionalizacija jedan od
univeralnih procesa pomoću kojih se istraživanje vodi od postavke problema ka
zaključcima.
Svako istraživanje ima svoj p ro b lem - cilj. Da bi istraživanje ostvarilo svoj
cilj, odnosno rešilo problem, istraživač mora problem istraživanja pretočiti u
hipoteze. U uvodnoj glavi o epistemologiji opisani su uloga i mesto hipoteze u
naučnom saznanju. U kontekstu empirijskog istraživanja možemo reći da hipoteze
(jedna ili više njih) raščlanjuju problem istraživanja i to na „pogodan” način. Pod
pogodnim načinom se podrazumeva da su hipoteze iskazi koji naproverljiv način
govore o vezi dve ili više varijabli. Tačno je da su hipoteze „probna objašnjenja”,
ali da bi se mogle proveriti moraju biti formulisane na pogodan način, razumljivo
i precizno. Preciznost se postiže operacionalizacijom ali i striktnim defmisanjem
svih pojmova - pre svega konstrukata, odnosno varijabli. U uvodnim poglavljima
ove knjige i u drugoj Hteraturi, mogu se naći detaljne fomialno-logičke ali i
sadržinske analize mogućih hipoteza i njihovog jezika.
Dobra hipoteza se po pravilu formuliše kao iskazna rečenica koja sadrži: a)
tvrdnju o povezanosti dve iii više varijabli i b) jasne implikacije o tome kako se ta
povezanost može proveriti. Ovaj drugi kriterijum znači da i varijable i iskazana
povezanost među njima moraju biti merljivi (na bilo kom nivou merenja). Na
osnovu prikupljenih podataka i njihove obrade, iskazna rečenica se ili zadržava
kao potkrepljena ili odbacuje kao nepotkrepljena.
Na primer, hipoteza: „Učenje u grupi poboljšava školske ocene” sadrži
jasno definisane varijable i odnos izmedu njih. U hipotezi: „Rano vežbanje men-
tahie funkcije kod dece ne dovodi do lakšeg budućeg učenja te funkcije” tvrdi se
da odnos između dve varijable ne postoji. Međutim, varijable „mentalna funkcija”
i „buduće učenje” je vrlo teško defmisati tako da budu merljive jer su pojmovi
mentalne funkcije i vežbanja suviše opšti. Ova hipoteza dakle, u toj formi nije di-
rektno proverljiva. Međutim, kad bi se bolje specifikovalo na koje se funkcije, na
koje se vežbanje i na koje se učenje misli, onda bi ta hipoteza bila valjana i vero-
vatno bi bila potvrdena (npr. deca se ne mogu istrenirati da sabiraju brojeve pre
nego što dovoljno sazriju, niti se mogu uvežbati da nauče šta je levo, a šta desno).
 U istraživanju ponašanja se vrlo često sreću hipoteze koje imaju sakrivenu
relaciju između varijabli. To su hipoteze koje dovode ii odnos dve ili više grupa
ispitanika. Na primer, u hipotezi: „Deca iz velikih gradova postižu bolje rezultate
na testovima opšte kulture nego deca sa sela” dovode se u vezu dve grupe, a ne
dve varijable. Međutim, prava hipoteza, koja stoji iza navedene, glasila bi: „soci-
jahio poreklo utiče na nivo opšte kuUure”.
Na sličan način, relacija izmedu varijabli je maskirana i u sledećoj hipotezi:
„Osobe istog ih sličnog zanimanja imaju sHčne stavove prema stvarima koje su
povezane sa njihovim zanimanjem” (recimo nastavnici imaju slične stavove pre-
ma obrazovanju). Prava relacija je izrneđu varijable zanimanja i varijabh stavova.
Neki autori jednostavno smatraju da postoje tri vrste hipoteza u naukama o
ponašanju: a) hipoteze od povezanosti varijabh, b) hipoteze o razhci između
grupa i c) deskriptivne hipoteze o distribuciji varijabh. Kao što će u ovoj knjizi
više puta biti rečeno, razhka i korelacija su dVe strane istog hsta, pa se i tipovi
hipoteza pod a i b mogu objediniti, dok je tip c teško operacionahzovati kao
proverljivu hipotezu, ah se može formuhsati kao istraživačko pitanje (recimo,
„kohko je kod studenata razvijeno kritičko mišljenje”, „koja je prosečna dužina
studiranja” ih „kakvu školsku spremu imaju roditelji studenata”).
Iz prethodnog se vidi i fonnat istraživačkih pitanja - to su, po pravilu,
upitne rečenice koje obično počinju sa „kako”, „kohko” ili ,,šta”. Smatra se da
treba izbegavati reč „zašto”, jer takva pitanja zahtevaju da budu kvantitativno
istražena, a kvantitativna istraživanja zahtevaju hipoteze, a ne pitanja.
Da bi hipoteze predstavljale odgovor na problem istraživanja, one moraju
na logičan način biti izvedene iz problema. Pošto je za problem istraživanja
rečeno da je najbolje da se locira u neki teorijski okvir, hipoteze se onda mogu
formulisati uz pomoć dotične teorije, U zavisnosti od teorije, nekada je prelazak
od teorije ka hipotezama veoma lak i obavlja se prosto na odnosu dedukcije (v.
hipotetičko-deduktivno građenje teorije).
Međutim, riinogo teži put je onaj od teorijskih hipoteza do empirijskih
hipoteza. U istraživanju postoji obično samo jedna (najviše dve) teorijska hipote-
za i uobičajeno da ona bude navedena u uvodnom delu, u okviru deklaracije
problema istraživanja (ili eventualno cilja). Zato je praktično da problem
istraživanja bude tako fon-nulisan da istovremeno može da posluži kao osnovna
teorijska hipoteza. Već smo uočili da različiti problemi zahtevaju različite formu-
lacije, isto kao i različiti tipovi istraživanja. Recimo, eksplorativna i kvalitativna
istraživanja, koja nisu namenjena testiranju hipoteza, umesto osnovne hipoteze
počinju od nekog osnovnog istraživačkog pitanja. Pored osnovne teorijske hipo-
teze i pitanja, može postojati još nekoliko teorijskih hipoteza ih pitanja manjeg
obima, ne više od njih pet do sedam. Primer jedne teorijske hipoteze, koja istovre-
meno ima i status problema istraživanja, mogao bi biti: „Da li rane fiksacije libida
dovode do anorexie nervoseT'. U ovoj hipotezi je teorijski okvir psihoanalitički i
iz tog okvira se postavlja pitanje o odnosu jednog konstnikta i jednog pojma.
Pod empirijskim hipotezama podrazumevamo operacionalne hipoteze. Da
bi hipoteze mogle biti potvrđene ili odbačene, one moraju biti operacionaLno
defmisane. Operacionalizacija hipoteza zahteva znanje, inventivnost i iskustvo
istraživača. Recimo, teorijska hipoteza „gužva smanjuje uspešnost u mentalnim
zadacima” može sc operacionalizovati kao: „ispitanici u punoj učionici postižu
niži rezultat na testu inteligencije od ispitanika koji odgovaraju sami”.
Hipoteza iz prethodnog primera sadrži izraz „niži”. Svako će se odmah
zapitati koHko niži mora biti rezuUat učenika u punoj učionici. Za pet IQ jedinica,
deset, ili više od toga. Statističke hipoteze su način da se u naukama o ponašanju
ta dilema reši. Većina autora smatra da su one najbolji način provere istraživačkih
hipoteza, ali čitalac mora pročitati zasebno poglavlje o testiranju statističkih
hipoteza da bi razumeo probleme koji postoje u toj oblasti.
Važno je razlikovati istraživačke ili supstancijalne hipoteze od statističkih
hipoteza. Statističke hipoteze su operacionalizacija istraživačkih hipoteza, zapra-
vo, one su najviše operacionalizovane naučne hipoteze. Međutim, istraživači
ponekad greše jer umesto istraživačkih hipoteza navode statističke, ili istraživač-
ke hipoteze preterano operacionalizaciju čime se dolazi do partikulamih, sitnih i
trivijalnih hipoteza, koje je kasnije teško povezati u celovite zaključke. Supstan-
cijalne hipoteze moraju predstavljati smislenu i inventivnu operaeionalizaciju
problema istraživanja.
U literaturi se vrlo često navodi podela hipoteza imajući u vidu upravo
statističke hipoteze. Tako se, na prvom mestu, razlikuju nuite i alternativne hipo-
teze. Nulte hipoteze sadrže iskaz o nepostojanju povezanosti izmedu varijabli, ili
nepostojanju razlika između grupa u datoj populaciji. Alternativne hipoteze se
dalje dele na usmerene i neusinerene. U usmerenim hipotezama se, na primer,
tvrdi da između varijabli postoji pozitivna povezanost, ili da je jedna grupa bolja
od druge, U neusmerenim hipotezama se samo tvrdi da postoji povezanost ili da
postoji razlika.

1. Da li su hipoteze uvek potrebne

Postoje brojna istraživanja koja nisu namenjena proveri hipoteza. Takva su,
pre svega, kvalitativna i eksplorativna istraživanja. Cesto su takva akciona,
evaluaciona ili strukturalna istraživanja i studija slučaja. Zato će jednostavan
odgovor na gomje pitanje biti da hipoteze nisu uvek potrebne.
Medutim, svako istraživanje ima svoje pitanje, predmet--cilj, dakle sadrži
izvesnu namem, a iz te namere se onda mogu izvesti očekivanja. Očekivanja se
pojavljuju i onda kada se istraživanje uklopi u neki teorijski okvir (a prepomčuje
se da se istraživanje osloni na neku teoriju kad god je to moguće), jer već sama
odabrana teorija predstavlja izvesno očekivanje. U mnogim istraživanjima su
dovoljne implicitne hipoteze, odnosno hipoteze koje se mogu zaključiti iz odabra-
nog cilja istraživanja, teorijskog okvira i očekivanja koja iz njih proističu.
Važno je znati da hipoteze i istraživačka pitanja, fomudisana u onakvom
eksplicitnom i egzaktnom obliku kako je upravo opisano, doprinose epistemološ-
koj vrednosti istraživanja, čine da istraživanje ima ideju vodilju i fokus - poentu,
istraživaču olakšavaju formulisanje zaključaka a čitaocu njihovo razumevanje.
Eksplorativna istraživanja se prepoznaju po tome što ne polaze od hipoteza.
Akciona i evaluaciona istraživanja su slična, a strukturalna mogu imati „struk-
turalne hipoteze” ali se one obično teško operacionahzuju u statističke hipoteze,
te opstaju kao istraživačka pitanja. Problem može nastati onda kada eksplorativna
istraživanja, koja odgovaraju na pitanje ,,šta” ih „koliko”, to rade na taj način što
porede razne grupe objekata, instrumente, metode, prate razvoj pojave tokom
vremena i sl. U takvim istraživanjima se u cilju bolje deskripcije istraživane
pojave koristi komparativna anahza, što je epistemološki sasvim opravdano i
saznajno vrlo vredno, Međutim, u tim istraživanjima nije cilj da se anahzira, na
primer, razlika između dece i odrasiih, da bi se ustanovio uticaj razvoja iU neke
slične nezavisne varijable na zavisnu, nego se razhka koristi samo za bolju
deskripciju merenih osobina kod dece.
To znači da se u eksplorativnom istraživanju mogu testirati statističke
hipoteze, ah sa ciljem bolje deskripcije predmeta istraživanja. Te hipoteze nemaju
status istraživačkih, a pogotovo ne supstancijahtih, barem ne u tom istraživanju, i
ne treba ih navoditi u uvodnom delu izveštaja, nego mogu biti opisane u poglavlju
o metodama, a diskutovane u poglavlju o rezultatima i analizi.

F. Struktura^ projekt i predfog

U metodološkoj literaturi se često koristi termin „struktura istraživanja”, ali

mu se pridaju različita, nekada specifična značenja (npr. struktura metoda i
tehnika). Mi ćemo, paralelno, koristiti teiTnin nacrt istraživanja. lako on čitaoca
može podsetiti na projektovanje i projekte (v. kasnije), ovde ćemo pod nacrtom
podrazumevati epistemološku stniktum istraživanja.
Altemativni te m in koji bi se mogao koristiti da opiše ono o čemu ovde
želimo da govorimo je shema, tačnije epistemološka shema istraživanja, zatim
model istraživanja, a u prethodnim poglavljima pomenuli smo i poj&m strategija
istraživanja. Svi ovi termini zvuče intelektualno i savremeno, ali im je značenje
vrlo rastegljivo, pa na osnovu njih čitalac ne može razumeti šta je tačno struktura
istraživanja. Zato ćemo ukratko objasniti o čemu se radi.
Pod strukturom ili shemom istraživanja podrazumevamo opštu
metodološku i epistemološku strukturu istraživanja. To znači da nas zanimaju
samo oni aspekti istraživanja koji se direktno nalaze u „lancu zaključivanja”.
Rcčeno u najopštijoj fonni, među te aspekte spadaju atributi i cntiteti, odnosno
varijable i objekti. Dakle, u stnikturu istraživanja ne spada način fmansiranja,
način pretraživanja literature, organizacija rada istraživačkog tima i razni dmgi
logistički aspekti koji postoje u svakom istraživanju. Takođe, pod „strukturom”
ne mislimo na pripadnost istraživanja nekoj paradigmi ili „izmu”.
Mnoga poglavlja u ovoj knjizi bave se pitanjima koja su direktno vezana za
epistemološku strukturu istraživanja (npr. uzorkovanje, testiranje statističkih
hipoteza). Međutim, ostavićemo gradivo koje se nalazi u tim poglavljima da tamo
i ostane jer je to najbolje za zasebnu dublju elaboraciju tih pitanja. U ovom
poglavlju će pažnja biti posvećena strukturi istraživanja na načelan, opšti i forma-
lan način. Nastojaćemo, pri tom, da budemo kratki, pregledni i komplementami
gradivu koje postoji u drugim udžbenicima.
Struktura istraživanja ne mora da postoji u obliku posebnog dokumenta. Za
nju je najvažnije da je detaljno poznaje sam istraživač. Struktura istraživanja se
počinje graditi od samog početka, od definisanja problema i pregleda literature, a
neki neočekivani ili neželjeni ishodi kasnije mogu nalagati da se unesu izmene -
recimo da se neko merenje ponovi ih da se doda nova grupa.
lako ona nije pogodna da se prezentira u posebnom dokumentu, vrlo je
važno da struktura (model ili shema) bude jasno predočena u istraživačkom
izveštaju. Osnovne detalje struktiire treba uključiti u uvodno poglavlje istraži-
vačkog izveštaja (recimo u okviru defuiicije problema ili cilja istraživanja), a svi
važni elementi se moraju predočiti u poglavlju o metodama. Pogledajmo sada
detaljnije i konkretnije šta sve struktura mora i može da obuhvata.

• Struktura se prvenstveno predstavlja pomoću eksplicitnog opšleg dija-

grama odnosa varijabli i objekata. Ovaj opšti dijagram prikazuje podelu
varijabli, njihove odnose i tačke u kojima su izmerene ili primenjene. Iz
strukture se mora jasno videti koje varijable su nezavisne, koje zavisne,
koje deskriptivne, a koje kontrolne ili grupišuće.
• Kada je reč o objektima, struktura, odnosno dijagram mora jasno da
prikaže podelu objekata u grupe, npr. eksperimentalnu i kontrolnu. Ako
istraživanje ne podrazumeva posebno grupisanje objekata, recimo ako je
anketnog tipa, onda će postojati samo jedna grupa. No, i u tom slučaju
može biti važno da se prikažu vreme i mesto fomiiranja gmpe ili osnovna
svojstva populacije iz kojeje izvučena, recimo: „korisnici zdravstvenih
usluga”.
• Važan deo strukture je onaj koji se odnosi na način izbora objekata i
razvrstavanja u grupe. Ako je istraživanje eksperimentalnog tipa, gmpe će
se formirati randomizacijom ili nekim drugim načinom jednačenja. U dru-
gim prilikama grupe će biti fomiirane na osnovu neke prirodne varijable,
ili će biti uparene, ili će se koristiti već postojeće grupe ispitanika, ili će
izbor biti prigodan.
• Faktor vreme ']e, osini u logističkom smislu sprovođenja istraživanja,
još važniji u epistemološkom smislu. Zato je vremenski tok prikupljanja
podataka, manipulacije varijablama ili kontrole uzorka veoma važan as-
pekt strukture istraživanja. To je od prvorazrednog značaja za ona istraži-
vanja - tzv. logitudinahia - u kojima se prate promcne na entitetima koje
 nastaju kroz vreme. Sve što je vezano za vremensku dimenziju istraživanja
mora biti planirano unapred.

„Dijagram varijabli i grupa” je vrlo omiljen u metodološkoj literaturi i

svuda se može sresti neka verzija ovog grafičkog prikaza koji obuhvata varijable,
grupe, merenja, vremenske tačke i druge epistemološke gradivne elemente. Sa
malo prakse ovi dijagrami postaju vrlo dobro oruđe za skiciranje strukture
vlastitog istraživanja, kao i za razumevanje tuđih. Kasnije ćemo se i mi poslužiti
tom tehnikom prilikom tumačenja tipova istraživanja. U naukama o ponašanju je
prilično redak slučaj da se struktura istraživanja prikazuje pomoću ovakvih dija-
grama - grafički. Umesto toga se obično koriste verbalni opisi.
Važno je da svi navedeni elementi strukture predstavljaju delove epistemo-
loške sheme istraživanja i da neposredno određuju tip istraživanja. Isto tako,
greške ili nedostaci u strukturi istraživanja dovode do toga da se iz prikupljenih
podataka ne mogu dati željeni odgovori, ili ako se daju, neće biti valjani. Propusti
u strukturi islraživanja dovode do ugrožavanja interne validnosti, što znači da
istraživanje postaje bezvredno pre nego što je počelo. Na primer, ako se proučava
delovanje grupnog rada i savetovanja na agresivne reakcije kod mladih i ako se
istraživanje sprovede samo na grupi mladih koji su prošli program savetovanja,
onda eventuahii zaključak o delotvornosti programa savetovanja nikada neće biti
naučno valjan. Nedostaje, naime, „kontrolna grupa”. Da je u strukturom istraživa-
nja bila predviđena kontrolna grupa koja bi po svemu bila ista kao i „eksperimen-
talna gnipa”, osim po tome što nije učestvovala u programu savetovanja, onda bi
eventualno smanjenje broja agresivnih ispada moglo biti pripisano dejstvu
savetovanja.
O svim elementima strukture istraživanja koji su spomenuti u prethodnim
pasusima biće još mnogo reči u kasnijim poglavljima.
Predlog istraživanja. - lako struktura istraživanja čini epistemološki
temelj i u tom smislu defmiše tip i valjanost istraživanja, ona se ne odnosi na sve
korake i aspekte istraživanja, niti ih obuhvata. Istraživanju su potrebni neki detalj-
niji dokumenti da bi bilo prihvaćeno, planirano i sprovedeno. Postoje dva doku-
menta koja mogu da posluže ovoj svrsi: predlog istraživanja i projekt istraživanja
(engl. proposal and design).
Na nesreću, sadržaj ova dva dokumenta može biti veoma sličan, pa ih je
teško razlikovati. Zbog toga, ali i zbog nepažljivosti, pojmovi projekta i predloga
istraživanja se često mešaju, prepliću i nedosledno koriste. Ovde ćemo ih razh-
kovati pre svega po nameni. Kada se znaju naraena i cilj projekta i predloga biće
jasnije šta treba biti njihov sadržaj.
Predlog istraživanja obrađuje istraživanje sa strane opšteg, stručnog i nauč-
nog značaja, kao i sa strane mogućnosti praktične primene. U njemu se, takođe,
mora naći opis strukture istraživanja. Pre nego što pogledamo šta sve može da
obuhvata predlog istraživanja moramo imati u vidu jednu važnu činjenicu.
Predlog istraživanja po pravilu učestvuje u nekoj vrsti utakmice sa željom da
bude prihvaćen, odobren ifmansirari i u toj utakmici učestvuje sa drugim predlo-
zima. U edukativnim istraživanjima (seminarskim, diplomskim, magistarskim,
doktorskim) obično postoji samo predlog istraživanja, koji se kod nas naziva
„predlog teme”, što je pogrešno jer se time signalizira da je u predlogu dovoljno
dati izjavu o problemu i cilju istraživanja. lako treba poštovati da su kandidati u
stisci sa vremenom i iskustvom, zbog čega nisu u mogućnosti da odmah projek-
tuju celo istraživanje, ono što oni moraju da podnesu ,,na takmičenje” (odnosno
na odobrenje) svakako nisu samo problem i cilj, nego ,,što detaljnije to bolje”.
Creswell (2003) citira MaxwelIovih devet pitanja koja svaka komisija postavlja i
koja treba imati u vidu sastavljač predloga edukativnog istraživanja.
1. Šta moramo znati da bismo bolje razumeli vaš predlog?
2. Šta je ono što mi nedovoljno znamo o vašoj temi?
3. Šta vi predlažete da se istraži?
4. Šta je postavka i ko su Ijudi koje ćete ispitivati?
5. Koje metode planirate da koristite za prikupljanje podataka?
6. Kako ćete analizirati podatke?
7. Kako ćete validirati svoje nalaze?
8. Da li se i sa kojim etičkim pitanjima suočava vaše istraživanje?
9. Šta kažu preliminarni rezultati o primenjivosti i značaju predložene
studije?
Projekt istraživanja. - Projekt istraživanja je dokimient koji pored struk-
ture istraživanja, sadrži i elemente važne za sprovođenje istraživanja i služi istra-
živaču i drugim saradnicima u istraživanju kaoplan ili skica istraživanja. Sve što
je neposredno važno za sprovodenje istraživanja mora da se stavi na papir koji
nazivamo projektom. Sa saznajnog aspekta, projekt istraživanja treba da sadrži
opis strukture istraživanja i sledeće elemente.
• Hipoteze istraživanja.
• Metode prikupljanja podataka.
• Metode manipulacije varijablama i kontrole varijabli.
• Način uzorkovanja objekata i veličinu uzorka.
• Metode analize podataka.
Ovime lista elemenata nije iscrpljena - u zavisnosti od tipa i cilja istraživa-
nja mogu postojati i druge važne stavke. Osim toga, ovako opisan projekt je
prilagođen kvantitativnim studijama koje su najčešće u psihologiji i pedagogiji,
posebno eksperimentahiim studijama. Neeksperimenlalne studije neće manipu-
lisati varijablama. Deskriptivne i kvalitativne studije, recimo, neće imati hipoteze.
Polpuno kvalitativne studije neće imati analizu podataka, a moguće je i da uopšte
neće imati čvrst projekt, nego će ispitanici diktirati tok istraživanja.
Namena projekta je da „vodi” istraživanje kroz razne faze, obezbeđujući da
one prate jedan logičan sled, da prikupljeni podaci budu pouzdani, valjani,
ekonomični i objektivni i da, konačno, doneseni zaključci budu valjani. Projekt
ne mora da bude napisan strogo i do kraja detaljno, zato se često i naziva skieom,
ali mora da „sugeriše” sve bitne elemente istraživanja. Projekt se piše na samom
početku istraživanja, odmali nakon što je poznata struktura istraživanja, ili para-
lelno sa njome. Često se dešava da se projekt mora menjati, doterivati i dopu-
njavati tokom operacionalizacije hipoteza ili iz drugih razloga. U tom pogledu se
posebno ističu kvalitativna istraživanja kod kojih se smatra kvahtetom to što na
početku ne postoji precizna struktura ili projekt, nego se on gradi tokom istra-
živanja. Kvantitativna istraživanja zahtevaju da projekt bude gotov pre nego što
počne prikupljanje podataka.
Kao što je rečeno. sadržaj predloga i projekta je teško razlikovati, a često se
podnose kao jedinstven dokument. Recimo, „prava” istraživanja su obično
komercijalna. Da bi se konkurisalo kod naručioca, predlog obično treba da se
napiše tako detaljno da može da poshiži i kao projekt. Sadržaj ovog dokumenta za
komercijalna istraživanja je drugačiji nego za edukativna istraživanja. Predlog ili
projekt komercijalnog istraživanja treba ih može da sadrži sledeće nibrike.
• Problem i ciljevi istraživanja.
• Mogućnost priniene rezuhata; u kojim oblastima, pod kojim uslovima,
za koje ciljne korisnike.
• Opšti značaj istraživanja, položaj u dotičnoj oblasli istraživanja, odnos
i veza sa drugim domaćim i svetskim istraživanjima, razhke i specifičnosti
u odnosu na prethodna istraživanja itd.
• Komparativne prednosti u odnosu na konkurente: dokumentovane teo-
rijski, praktično, fmansijski, vremenski (u smislu rokova) itd.
• Angažovanje eventuahiih drugih resursa, od kadrovskih do materijal-
nih; npr. laboratorija, dnigih ustanova, uređaja itd.
• Nacrt istraživanja i ključne epistemološke karakteristike (u osnovnim
crtama).
• Angažovanje ispitanika i drugih učesnika u istraživanju i posebni za-
htevi u vezi toga, ako postoje.
• Veze sa dnigim projektima, ako postoje; npr. ako je projekt nastavak
nekog prethodnog projekta, odvija se paralelno nekom shčnom projektu i
ako postoje planovi za dalja istraživanja.
• Podaci, biografije i bibhografije za sve saradnike i njihova uloga,
zaduženja i odgovornosti u projektu. Obično se zahtevaju detaljni podaci o
rukovodiocu (iH rukovodiocima) projekta koji moraju da pokažu njegovu
kompetentnost: dosadašnje iskustvo u tom poslu, objavljeni radovi itd.
• Podaci 0 instituciji (jednoj iU više njih) koja stoji iza istraživanja, u
kojoj su zaposleni istraživači, ili koja pruža neophodnu materijalnu podrš-
ku istraživanju. Ti podaci trebaju da demonslriraju kompetentnost i naučni
kredibihtet institucije: prethodna istraživanja, objavljeni radovi i sl.
• Tzv. „kontrolne tačke”, način praćenja i kontrole odvijanja projekta i
periodično izveštavanje.
• Način diseminacijc rezultata; npr. putem objavljivanja knjige ih zbor-
nika radova.
• Finansijski plan; realističan, potpun i što detaljniji.
 • Vremenski plan koji sadrži sve korake koje istraživač mora preduzeti;
od formulisanja problema, preko operacionalizacije hipoteza i konačne
analize podataka do interpretacije.
Stavke ovde nisu poredane po značaju i prioritetima i predstavijaju samo
vodič za istraživača i okvir za razmišljanje. Treba imati u vidu da institucije koje
raspisuju konkurse i kod kojih se ovakvi projekti podnose na evaluaciju propisuju
manje ili više detaljna pravila za njihovo pisanje i sadržaj. Istraživač će svakako
morati da poštuje ta pravila i da gornju kontrolnu listu prilagodi onome što zahte-
va odgovarajuća ustanova.
Često je potrebno da postoji rezime predloga ili projekta koji u tom slučaju
mora da sadrži problem, ciljeve i očekivane rezultate, aktivnosti koje su neophod-
ne i sl. Takode, nije neobično da postoji više verzija ovih dokumenata, najčešće
jedna kratka, namenjena najvišem menadžmentu neke institucije, i dmga detaljna.
Za istraživanja koja se obavljaju „rutinski”, po nekom vremenskom planu ili
ustaljenoj tehnologiji obično se pronađe modus vivendi između naručioca i
istraživača, pa projekti sadrže samo izmene, nove rokove i troškove.

G. Validnost istraživanja

U savremenoj metodologiji se velika pažnja posvećuje valjanosti zaključaka

iz enipirijskih istraživanja. Valjanost celokupnog istraživanja počiva na valjanosti
zaključaka. Validnost istraživanja se danas raščlanjuje na tri aspekta: intemu
validnost, ekstemu validnost (koje se ponekad nazivaju i intrinsičkom, odnosno
ekstrinsičkom) i konstruktivnu vaUdnost. Validnosti istraživanja ne treba mešati
sa pojmom validnosti merenja, koja je opisana u zasebnom poglavlju.

1. Interna validnost

Inicijalno, intema validnost je defmisana kao svojstvo nekog određenog

istraživanja da omogući kauzalno zaključivanje, odnosno odgovor na osnovno
pitanje ,,da li je X uzrok Y”. Rečeno nešto detaljnije, intema validnost postavlja
pitanje: ,,da li je X, experimentalna manipulacija, stvamo dovela do značajne
razlike u ponašanju - 7?” Ovo pitanje mora biti postavljeno i na njega mora biti
odgovoreno u svakom eksperimentalnom istraživanju. Međutim, u uvodnoj glavi
je pitanje uzročnosti u naukama o ponašanju detaljnije obrazloženo i ukazano je
da postoje teškoće u dokazivanju uzročno posledičnih veza u istraživanju
ponašanja. To treba imati u vidu i na ovom mestu, pa se umesto reči uzrok može
koristiti tennin uticaj, a umesto „kauzalno” „pseudo-kauzalno”.
 Nakon takve reformulacije, danas se pojam inteme validnosti uopštava kao
validnost bilo kakvih istraživačkih zaključaka o povezanosti varijabh, a ne samo
kauzahiih. Po toj interpretaciji, intema vahdnost označava stepen u kome je
kontrolisana neželjena varijansa, tj. uticaji neželjenih varijabh. Da bi zaključci
bih koherentni i logični, istraživanje mora biti intemo vahdno, a biće takvo ako je
uspelo da ehmini.še dejstvo konfundirajućih varijabh na zavisnu varijablu.
Jasno je da se interna vahdnost ne primenjuje na eksplorativne i deskrip-
tivne studije, ah se u modifikovanom obliku može zahtevati od korelacionih stu-
dija (npr. ,,da h je varijabla^direktno povezana sa 7?”).
hiterao vahdan nacrt je onaj koji omogućuje nepristrasno i pouzdano
zaključivanjc o povezanosti nezavisnih i zavisnih varijabh, odnosno koji omogu-
ćuje da takvi zaključci budu ishniti. Koncept interae vahdnosti se odnosi samo na
jednu konkretnu studiju i intema vahdnost te studije se ne može generalizovati na
buduće druge studije, ma kohko bile shčne. Na primer, ako smo istraživah
efikasnost nekog nastavnog metoda i doneh zaključak da taj metod doprinosi
boljem ovladavanju znanja, interaa vahdnost zaključka podrazumeva da smo u
konkretnom istraživanju nedvosmisleno potvrdih: a) da je nastavni metod ono što
poboljšava znanje i b) da smo ehminisah drage moguće razloge zašto učenici
bolje uče. Ovaj drugi zahtev je važan zato što je možda naš nastavni metod bio
efikasan zbog toga što je omogućavao da se nastavnici više bave decom i posve-
ćuju im više pažnje, a ne zbog svojih pedagoških svojstava.
Ovo poslednje (pod b) dovodi do teškoća u razhkovanju interae i kon-
struktivne vahdnosti. Interna vahdnost načelno ne podrazumeva konstruktivnu
validnost (v.).
Takođe načehio, interaa vahdnost se ne bavi razlozima i načinima delova-
nja nezavisne varijable na zavisnu. Međutim, da bismo ehminisah druge moguće
uticaje na zavisnu varijablu, moramo raščlanjivati moduse uticaja nezavisne
varijable na zavisnu, što više i što kritičnije, što se značajno podudara sa anahzom
konstruktivne valjanosti - u našem slučaju analizom konstrukata „nastavni
program” i „znanje”.

a. Izvori ugrožavanja interne validnosli

Postoje brojni razlozi zbog kojih naši zaključci o delovanju nezavisne

varijable na zavisnu mogu biti netačni. Obaveza je istraživača da ih: a) eliminiše
koliko god je to moguće, ili b) da ih, ukoliko su ipak bili prisutni u istraživanju,
analizira i protuniači njihov mogući uticaj na zaključke.
1. Osnovni izvor ugrožavanja interne validnosti, ih pretnja internoj valid-
nosti, leži u greškama u nacrtu istraživanja, odnosno grešakama u foraiiranju
grupa, u izboru objekata posmatranja, u izbora i kontroli varijabli, projektovanju
vremenskog redosleda merenja itd. Sve ove greške mogu dovesti do m ešanja ili
konfundacije varijabli (engl. confounding). Ako postoji konflindiranje, ne može-
mo biti sigumi koja je varijabla dovela do promene u zavisnoj varijabli. S druge
strane, ako istraživanje nema konfundacije ono je dovoljno interno validno.
2. Nekoliko karakterističnih pretnji internoj validnosti potiče od tehničke
realizacije istraživanja, posebno od načina merenja, kontrole i manipulacije
varijabh. Kod istraživanja sa jednom gnipom, ovi izvori stvaraju razlike između
pretesta i posttesta koje nisu posledica delovanja tretmana. Kod istraživanja sa
više grupa, ovi izvori mogu još da dodaju i razlike između grupa koje nisu
posledica delovanja tretmana. Međutim, neki od ovih izvora mogu biti razlog da
gmpe budu različite i pre istraživanja (pre pretesta), što dovodi do toga da gmpe
nisu ekvivalentne, a da istraživač toga nije odmah svestan. Navešćemu listu
pretnji intemoj validnosti koju su u izvomom obliku predložili Campbell i
Stanley.
• Istorija - neki događaj se javio koji je imao utieaja na posttest. Ako
postoji više grupa u istraživanju, događaj se može desiti samo jednoj
gmpi, ih razne grupe mogu imati razne događaje. Posebno je opasno ako
istraživač nije upoznat da su se takvi dogadaji desili. Na primer, ispitanici
su čuh neku vest, ih su gledali neki fllm na televiziji, ih se u njihovoj
okohni desilo nešto što je utiealo na njihovo ponašanje.
Bilo koji događaj koji se desio ih uslov koji se promenio između
pretesta i posttesta, bilo u jednoj grupi, bilo u više njih, predstavlja pretnju
intemoj validnosti, U nacrtima sa više grupa, ako „istorija” svih ispitanika
tokom eksperimenta nije jednaka, eksperiment neće biti interno vahdan.
Recimo, ako je jednu gmpu ispitanika intei"vjuisao jedan intervjuer, a
drugu drugi, možemo smatrati da njihova „istorija” nije jednaka, a isto
važi i za shičaj kada se intervjuer promenio.
• Maturacija - ispitanici su se promenih između pretesta i posttesta -
zbog odrastanja, starenja, sticanja iskustva ih sl. Maturacija ne mora biti
jednaka u svim gmpama ispitanika.
• Senzitizacija - testovi koji se zadaju na pretestu mogu ispitanike pri-
premiti i usmeriti, tako da bi i bez tretmana biU bolji na posttestu (pogo-
tovo ako se daje isti test pre i posle). Zato se ova pretnja naziva i pretnjom
testiranja. Da bi se to izbeglo, istraživači ponašanja često u posttestu
zadaju dmkčiji memi inslrument. Medutim, on ne mora imati isti predmet
merenja, a verovatno će biti lakši ih teži u odnosu na instmment iz pre-
testa. Zato se senzitizacija i faktor testiranja mešaju sa uticajem nezavisne
varijable. Ovaj izvor grešaka može biti pogoršan ako ima više grupa.
D. Campbell je merenje u pretestu koje utiče na posttest nazivao
reaktivnim, jer u tom slučaju sam pretest predstavlja vrstu tretmana. Poka-
zalo se da je merenje stavova o kontraverznim pitanjima reaktivno, zatim
merenje postignuća, memorije i sl.
• Instrumentacija - instmmenti koji se koriste u istraživanju mogu me-
njati svojstva tokom vremena, mešajući se na taj način u uticaj nezavisne
varijable na zavisnu. Uticaj promene instrumentaeije je lako ilustrovati
 ako se kao memi instmmenti koriste ocenjivači, za svaku grupu različiti.
Ocenjivači mogu imati različite „lične jednačine”, može im dosaditi posao
ocenjivanja, i]i se, naprotiv, mogu izveštiti u occnjivanju.
Međutim, poznati su i primeri kada su tehnički uređaji imali neka
svojstva ili kvarove koji su uticali na to da su se uslovi tokom istraživanja
mcnjali. Na primer, dešavalo se da tahistoskopi, uređaji za brzo prika-
zivanje slika, sa zagrevanjem skraćuju vreme prezentacije draži.
• Mortalitet - „ispadanje” ispitanika tokom istraživanja, zbog bilo kog
razloga. Prctnja mortaliteta je svc veća što istraživanje duže traje. Postoje
dva osnovna oblika mortaliteta: mehanički i selektivni. Mehanički gubitak
subjekata se dešava zbog nekih razloga koji nemaju veze sa varijablama
koje se istražuju. Recimo, pregorela je sijalica na projektoru i grupa se
razišla, eksperimentator je pročitao pogrešne instrukcije pa sunalazi mo-
rali biti odbačcni, neko je iznenada upao u prostoriju itd. Ovaj gubitak se
nekada može nadoknaditi prostim ponavljanjcm procedure, ili angažo-
vanjem novih subjekata.
Kod selektivnog gubitka, subjekti odustaju zbog nekih svojih
osobina. Problem nastaje onda kada te osobine imaju uticaja na zavisnu
varijablu. Ako ima više grupa, ispitanici mogu sistematski više odustajati
iz neke grupe. Recimo, ako se jedan od tretmana sastoji od rešavanja vrlo
teških kognitivnih zadataka, manje sposobni ispitanici se mogu demoraU-
sati i odustati od daljeg učešća, ostavljajući u toj eksperimentalnoj grupi
samo natprosečne ispitanike koji bi ionako bih bolji od ostalih grupa.
• Regresija ka prosekii - ako su ispitanici birani tako da budu vrlo niski
ih vrlo visoki po zavisnoj varijabli na pretestu, statistika nas uči da će, po
svemu sudcći, ovi prvi na posttestu biti bolji, a ovi drugi gori. Ovaj
poznati statistički fcnomen kaže prosto ,,da se ne može dva puta uzastopce
biti najgori ili najbolji” zato što su i u jednom i u drugom slučaju
vcrovatno učestvovali „nesreća” ili „sreća”, odnosno neželjene slučajne
pojave - greške.
3. Pristrasna selekcija iii selekciona pretnja su izvor ugrožavanja inteme
vahdnosti kod istraživanja koja imaju više grupa. Jednostavno rečeno, selekciona
prctnja postoji uvek kada razhke izmcdu grupa na posttestu nisu posledica (samo)
delovanja tretmana, nego nokih faktora koji su doveh do toga da grupe budu
različite pre početka istraživanja. Još tačnije, do selekcione pretnje dolazi kada
postoji intcrakcija selekcionih kriterijuma i nezavisne varijable.
Selekcionapristrasnost je jedna od čestih i vrlo „uticajnih” grešakau nacrtu
istraživanja, kada se gm pe pogrešno koncipiraju i/ih kada se ispitanici pogrešno
alociraju u grupe. N a primer, ako se izbor i alokacija ispitanika učini tako da se
gmpe razhkuju po nekoj varijabU koja korehra sa nezavisnom varijablom ih koja
utiče na zavisnu varijablu, onda će naši zaključci o uzročnosti patiti od mešanja
„treće varijable”. Kad god randomizacija nije kompletno sprovedena, možemo
sumnjati u postojanje selekcione pretnje.
 4. Pod „socijalnim” izvorima ugrožavanja podrazumevaju se delovanja
raznih interakcija između učesnika koje su neminovne u svakom istraživanju.
• Razmena (difuzija) iskustava ili imitacija tretmana - ako između grupa
postoji kontakt, onda članovi kontrolne (poredbene) grupe mogu da sazna-
ju šta rade oni u programskoj (eksperimentalnoj). Na osnovu toga oni
mogu steći znanja koja ima eksperimentalna grupa, a mogu i imitirati
eksperimentalni tretman.
• Rivalitet - poredbena grupa može razviti rivalitet i takmičarstvo kojim
može kompenzirati efekte tretmana u programskoj grupi.
• Demoralizacija - ova pojava je skoro suprotna rivalitetu. Poredbena
grupa zna šta radi programska grupa (ili zna da ,,se s njima nešto radi”), pa
iz uvređenosti, razočarenja, negodovanja, otpora ili protesta sabotira aktiv-
nosti, ne trudi se na posttestu i pokazuje lošije rezultate nego što bi nor-
malno postigla,
• Kompenzacija kontrolnoj grupi - razlozi navedeni u prethodnoj tački,
ili pritisci spoljnih učesnika u istraživanju, kao što su roditelji, učitelji ili
rukovodioci, mogu istraživača dovesti u iskušenje da kontrolnoj grupi
obezbedi neke od pogodnosti koje ima programska grupa. Dešava se da
ispitanici ili njihovi roditelji vrše pritisak na istraživača da ih premesti u
programsku grupu. Da bi izbegao demoralizaeiju, on, recimo, i njima
može nabaviti računare, prikazivati im fihnove, skiatiti radno vreme ih
časove, što može predstavljati elemente samog tretmana i dovesti do
poboljšanja rezultata u kontrohioj grupi na posttestu.
5. Hawthome i placebo efekat - za razhku od prethodnih prctnji valjanosti,
koji se odnose na kontrohiu grupu, postoje izvori grešaka koji dovode do
ometanja iU pojačavanja delovanja tretmana u programskoj ili eksperimentalnoj
grupi. To se, pre svega, odnosi na delovanje arteficijelnosti situacije i eksperi-
m entalnihuslovanaponašanjeispitanikaueksperim entahioj grupi. To seilustruje
poznatim Hawthorne efektom (vidi str. 189). Ovaj efekat je jedna od osnovnih
pretnji eksperimentalnim istraživanjima u psihologiji, jer je teško obezbediti da se
ispitaniei ponašaju spontano i „redovno” u takvoj neprirodnoj situaciji kao što je
eksperimentalna.
Nisu sve zavisne varijable jednako podložne Hawthome efektu. Motivacija
za rad spada, verovatno, u najpodložnije, ah u sferi oseta, brzine reakcije, memo-
rije i drugih nižih kognitivnihprocesa može se očekivati da će dejstvo biti manje.
S druge strane, odavno su poznate socijalna facilitacija i socijalna inhibicija.
Robert Zajonc (izgovara se Zajens, rimuje se sa engl. science) je ova dva efekta
objasnio kao delovanje prisustva drugih Ijudi.''’ Prisustvo drugih, po Zajoncu,
deluje stimulativno na dobro naučene reakcije, a inhibirajuće na slabo naučene.

M ože đelovati iznenadujuće što efekat socijalne faciUtacije postoji i kod životinja.
Na primer, Zajonc je našao da bubašvabe trče brže kad su u paru nego kad su same (Stem-
berg, 2001).
Pri tome može biti reči o sasvim prostim mptomim reakcijama kao što su vožnja
bicikla, trčanje i sl.
Drugi veoma poznat, ponekad i dramatičan, izvor ugrožavanja validnosti u
programskoj grupi je placebo efekat, kojim se označava promena ponašanja
ispitanika zato što misle da tretman deluje na njih (u bilo kom pravcu). Ove
promene ponašanja mogu, na primer, obulivatati promenu krvne slike, telesne
temperature, pojave slične ovulaciji kod žena, dakle mnogo više od proste
„sugestije”, povodljivosti ili „glume”. U medicini je kontrola placebo efektajedna
od osnovnih kontrola koja se sprovodi u ispitivanju delovanja lekova. Placebo
efekt je verovatno aktivni princip isceljenja i čudesnih izlečenja tokom verskih i
drugih obreda.

Ekološka validnost - Neki autori vide u nekim od nabrojanih izvora ugro-

žavanja inteme validnosti zajednički imenilac u tome što se ispitanici nalaze u
veštačkoj situaciji. Ekološki validno istraživanje je ono koje je prikupilo podatke
0 „prirodnom” ponašanju Ijudi. Pod prirodnim ponašanjem se podrazumeva
ponašanje u prirodnom okruženju, onako kako se spontano odvija. Istraživanje u
Hawthomeu, na primer, nije bilo ekološki validno. Smatra se da sva istraživanja u
laboratorijama nisu ekološki vahdna.

O tklanj anje p retn j i internoj validnosti. - Ako istraživač uspešno predvidi

postojanje neke od ovih pretnji, ili, što je mnogo teže, ako to uoči tokom odvija-
nja istraživanja, on raspolaže brojnim tehnikama za otklanjanje ugrožavanja
validnosti. Ove tehnike su istina brojne, i nalaze se svuda u literaturi, ali ni jedna
od njih ne daje garancije, ne deluje uvek na isti način, niti su sve sprovodljive u
svim situacijama.
Generakio rečeno, sve pretnje intemoj valjanosti istraživanja sa jcdnom
grupom najbolje se otklanjaju ako se uvede jedna ili više poredbenih grapa. Isto-
rijske pretnje, pretnje maturacije, instrumentacije ili regresije kaproseku, mogu se
uspešno otkloniti ukoliko istraživač uzme barem jednu ekvivalentnu gmpu za
poredenje.
Nažalost, kao što je rečeno, sve ove pretnje mogu postojati i u nacrtu sa više
gmpa. Univerzalan i optimalan način za otklanjanje ovakvih pretnji je nacrt sa
kompletnom randomizacijom, jer on na najbolji način obezbeđuje probabilističku
ekivalentnost grupa. Ako randomizacija nije moguća (a često nije moguća zbog
praktičnih i etičkih razloga), onda se može primeniti neka od tehnika jednačenja
grupa.
Mnoge od pretnji validnosti u multigrupnim istraživanjima se mogu sprečiti
tako što će se onemogućiti kontakt izmedu programske i poredbene grupe. Naža-
lost, to je u praksi često nemoguće postići, a postavlja se i pitanje jednakosti
uslova u kojima se grupe nalaze.ukoliko su fizički (ili vremenski) odvojene.
Ako gmpe nisu ekvivalentne, odnosno nisu randomizirane, selekciona
pretnja i selektivni mortalitet se mogu smanjiti tako što će se prvo dati pretest, pa
onda na osnovu njega grupe ujednačiti.
 Hotom i placebo efekat se mogu kompenzirati tako što će se kontrolnoj
grupi dati neki lažni tretman ili program. U istraživanjima gde eksperimentalna
grupa prima neke medikamente, stimulativna ili sedativna sredstva, praktikuje se
da se kontrolnoj grupi daju placebo pilule (čitaoea ne treba da zbuni to što se
placebo efekt otklanja placebo pilulama). Kontrolna gm pa može takođe da sluša
neke trake, da gleda neke filmove ili da pohađa neke grupne seanse, ali takve koji
ne sadrže nezavisnu varijablu. Prineip da kontrolna grupa prima placebo (lažni
tretman) se pokazao kao univerzalno važeći i kao presudan za otklanjanje mnogih
pretnji validnosti istraživanja.
Ako davanje placeba kontrolnoj grupi(ama) nije moguće, treba pokušati da
dodeljivanje grupa tretmanima bude slepo, tj. da ispitanici ne znaju u kojoj su
giTipi, a vrlo je popularan dvostruko slepi nacrt u kome ni istraživač i njegovi
pomoćnici, ni sam ispitanik neće znati da li ispitanik prima tretman ili ne.
Naravno, moguće su kombinacije nacrta sa placebo kontrolnom grupom i
dvostruko slepog nacrta.

2. Eksterna validnost

Eksterna validnost se definiše kao potencijal za tačne generalizacije, ili kao

reprezentativnost istraživanja, tačnije njegovih zaključaka. Eksterno validni,
odnosno reprezentativni zaključci mogu se generalizovati na:
a) druga istraživanja,
b) na druge situacije i
c) na druge Ijude.
Jedan tipičan primer nastojanja da nam zaključci budu generalizabilni je
sadržan u metodi uzorkovanja (v. glavu o uzorkovanju). Ako smo postigli da nam
uzorak objekata bude reprezentativan, naši će zaključci biti generalizabilni na
čitavu populaciju. Ekstema validnost se može proceniti pomoću nekog pokaza-
telja sličnosti sa rezultatima sličnih, ili pokazatelja razlika sa rezuhatima manje
sličnih istraživanja. Ako iniamo teoriju pomoću koje možemo defmisati koji su
uslovi ili ispitanici tnanje, a koji više slični našem istraživanju, onda možemo
relativno egzaktno proveriti stepen generalizabilnosti - zaključci sličnih istraživa-
nja moraju i sami biti slični, a zaključci različitih istraživanja različiti.
Intema validnost eksperimentalnih istraživanja je često suprotstavljena
eksternoj validnosti. Eksperimenti, naime, mogu da imaju visoku intemu valid-
nost, a nisku eksternu. Recimo, najvišu intemu validnost imaju laboratorijski
eksperimenti, ali mnogi autori smatraju da je njihova ekstema validnost proble-
matična. Sledeći primer su eksperimenti na životinjama. Životinje se odavno
koriste u ispitivanjima psihopatologije i drugih bolesti kod Ijudi: bolesti zavis-
nosti, minimalnih disfunkcija mozga, delovanja stresa i sl. Medutim, ni danas nije
jasno koliko i kada se nalazi sa životinja mogu generalizovati na Ijude, iako su
eksperimenti na životinjama besprekorno interno validni. Visoka kontrola ometa-
jućih varijabli u ekspedmentalnom istraživanju ponašanja povezana je sa visokom
arteficijelnošću situacije, a to znači i sa niskom ekstemom validnosti istraživanja.
Osnovni izvor ugrožavanja eksteme valiđnosti istraživanjaje lošuzorak. Pri
tome, pod uzorkom se podrazumeva uzorkovanje objekata, situacija i vremena.
Problem uzorkovanja situacija i vremena se nekada naziva pitanjima ekološke
reprezentativnosti i reprezentativnosti varijahli. Da li zaključci doneseni na školi
iz centra grada važe i za periferijske škole, da li je agresivnost mcrcna na odra-
slim Ijudima sa sela ista kao ona koje će se meriti sutra na gradskoj omladini, da
li je anksioznost koja je izazvana eksperimentalnom manipulacijom i merena
provodljivošću kože ista kao ona koju merimo testom anksioznosti. Sva ova
pitanja su pitanja generalizabilnosti, dakle eksterne validnosti.
Kada je reč o uzorku objekata, pretnja ekstemoj validnosti na prvom mestu
dolazi od nereprezentativnosti uzorka u odnosu na populaciju na koju želinio da
generalizujemo zaključke (v. glavu o uzorkovanju). Na sličan način deluju izvori
koji su opisani u okviru interne validnosti: mortalitet, maiuracija i selekciona
pretnja. Osipanje, sazrevanje i starenje menjaju svojstva uzorka i njegovu repre-
zentativnost, a o pristrasnoj selekciji objekata, koja je u interakciji sa nezavisnom
varijablom ne treba posebno govoriti.
Medutim, ekstema validnost deli i druge izvore ugrožavanja sa internom
validnosti: placebo efekt, rivalitet, memorija, regresija ka proseku itd. Ipak, pre
svega, arteficijelnost situacije, ilustrovana Hawthome efektom (vidi str. 189),
jedna je najčešćih pretnji eksternoj validnosti koja ne dolazi od pogrešnog uzorka
objekata.
Najbolji način dokazivanja eksteme validnosti (ali i najteži) je replikacija
istraživanja. Ako postoje sumnje u to da su zaključci primenljivi na druge Ijude ili
situacije, to je najbolje proveriti tako što će se istraživanje ponoviti na drugim
Ijudima i situacijama.
Shauglmessy i sar. (2000) ukazuju na kompleksne nacrte, posebno faktorske
nacrte kao moguće sredstvo za dokazivanje eksteme validnosti. Naime, ako ne
postoje značajni efekti interakcije to će značiti da su dejstva svih nezavisnih
varijabli, na svim nivoima ostalih nezavisnih varijabli jednaka - generalizabilna.
Suprotno od toga, ako postoji efekat interakcije dve varijable onda znamo da
uticaj nijedne od te dve varijable nije generalizabiian.
Navedeni izvori ugrožavanja validnosti mogu da postoje u bilo kom
istraživanju. Smatra se da su neeksperimentalna istraživanja interno nevalidna
sama po sebi, zbog pogrešne alokacije ispitanika i nedostatka eksperimentalne
m anipulacije nezavisnom varijablom . Zbog toga je kod tih istraživanja
verovatnoća tačnosti zaključka o uzročno-posledičnoj vezi između nezavisnih i
zavisnih varijabli niska. Nasuprot tome, za klasični eksperiment, posebno ako se
vrši u laboratorijskim uslovima, veruje se da najmanje ugrožava intemu validnost.
Prednost neeksperimentalnih istraživanja, posebno onih koja se odvijaju u
prirodnim uslovima je u tome što manje ugrožavaju validnost putem arte-
ficijelnosti uslova. Zato se kaže da neeksperimentalna istraživanja mogu biti
ekstemo validnija od eksperimentalnih.
 3. Konstruktivna validnost

Konstruktivna validnost se odnosi na ispravnost definicije lionstrukata i

ispravnost njihovog merenja u istraživanju. Konstruktivna validnost istraživanja
daje odgovor na pitanja kao što su: šta je znanje, šta je nastavni metod, šta su
njegovi aktivni činioci i da li je onako kako je sproveden predstavljao ono što
smo zamislili. Naime, naš nastavni metod možda nije onoliko stimulisao kritičko
mišljenje koliko smo mi mislili. Ili, znanje koje smo mi merili je možda bilo
većinom zasnovano na razumevanju osnovnih principa, a ne na poznavanju
činjenica.
Konstruktivnu validnost istraživanja treba razlikovati od konstruktivne
validnosti merenja. Razlikovanje nije jednostavno jer konstruktivna validnost
postavlja iste ili slične zahteve pred istraživanje kao i pred merenje. Zato i ne
postoji saglasnost oko toga da li treba uvoditi konstruktivnu validnost istraživanja
kao poseban epistemološki kvalitet istraživanja.
Ako postoji neka osnova po kojoj se konstruktivna valjanost može vezati za
istraživanje, iako se standardno vezuje za merenje, onda je to operacionalizacija.
Naime, operacionalizacija prati empirijsko istraživanje od formulisanja problema
do prikupljarija podataka. U domenu varijabh, operacionalizacija mora biti tako
planirana da dobijeni podaci predstavljaju mere onog konstmkta koji je zamišljen.
Ako ispitujemo percepciju, da h su mere brzine prepoznavanja i broja grešaka
prave mere percepcije? Ako ispitujemo stav prema smitnoj kazni, da h aspekti,
facete ih oblasti tog stava koje smo odabrah potpuno pokrivaju njegov domen? S
druge strane, ako nam je nezavisna varijabla kredibilnost govomika, onda govor-
nike moramo na pravi način učiniti nisko ih visoko kredibilnim, tako da oni ne
budu istovremeno i više ih manje privlačni ih simpatični.
Ranije je ukazano da se tokom operacionahzacije uvek izgubi deo istra-
živačevih želja i zamish. Konstrukti su obično opšti i apstraktni i da bi se došlo
do varijabh koje je moguće meriti ih njima manipuhsati mora se napraviti spora-
zum sa praksom. Do istraživača je, njegovog iskustva, znanja i veštine da to ne
bude „sporazum sa đavolom”, odnosno da se tokom operacionahzacije ne izgubi
suština konstrukta.
 H. Neki primeri istraživanja sa niskom
validnošću

Većina metodoloških udžbenika koristi analizu sprovedenih istraživanja

kako bi pokazali šta je dobar, a šta loš nacrt, šta su greške u nacrtu, kako do njih
dolazi i šta ugrožava vahdnost istraživanja. Mi ćemo se u sasvim skromnom
obimu takođe poslužiti tom praksom i navesti nekoliko zabavnih, ali i poučnih
primera pogrešnih istraživačkih zaključaka.
Počećemo sa jednim anegdotskiin primerom koji je u formi kratke priče
objavljen u magazinu Time od 25. noveinbra 1957.
Od direktora istraživanja jedne velike istraživačke agencije naručeno je da pripremi
sludiju 0 buvama. On je staviojednu buvu na svoj sto i obučioje da mu na njegovu naredbu
skoči preko prsta. Nakon toga, otkinuo joj je dve od šest nogu. „Skoči”, naredio je buvi i ona
je opet skočila. Još dve noge su onda odstranjene. Buva je opet skočila. Konačno, otkinuo
je i poslednje dve noge. ,Skoči", naredio je. Buva se nije pomerila. Direktor istraživanja je
zaključio eksperiment i napisao istraživački izveštaj: ,Kada je buva izgubila svih šest nogu,
postala je gluva".
Citirano iz Scott i VVertheimer (1962).

Očigledni nedostatak zaključka iz ovog istraživanja je proistekao iz toga što

je operacionalna defmicija „gluvoće”, odnosno „čujenja” kod buve uključivala
merenje jedne reakcije na komandu glasom (skakanje), ali je sama reakcija bila
presudno konfundirana sa eksperinientalnom manipulacijom (rezanjem nogu).
Tačnije, zamišljena zavisna varijabla (čujenje), nezavisna varijabla (glasovna
komanda) i eksperimentalni tretman (rezanje nogu) su isprepletene i u interakciji.
Utvrđivanje reakcije kod buve je obavljeno tako da ono drastično utiče na
mogućnost izvršenja reakcije.
U ovom primeru nedostaci su očigledni, jednostavno smešni. Istraživači
moraju da urade ama baš sve što je u njihovoj moći da izbegnu takve nedostatke.
Međutim, nedostaci mogu biti zakamuflirani i teško utvrdivi. Scott i Wertheimer
(1962) navode primer sa istraživanjima koja su proveravala hipotezu da oboleli
od shizofrenije češće od ostalih mentalnih pacijenata dolaze iz porodica u kojima
nije bilo dovoljno Ijubavi i pažnje. Međutim, po pravilu su u tim istraživanjima
bili intervjuisani sami pacijenti, pa ako su oni izveštavah o nedostatku Ijubavi u
detinjstvu, hipoteza se smatrala potvrđenom. I ovde se radi o tome da su varijable
pomešane; meri se aktuelno mišljenje pacijenata o prošlim događajima, a ne sami
dogadaji. Aktuelno mišljenje pacijenataje vrlo verovatno već značajno modulisa-
no bolešću, jer je, ako ništa dnigo, zasnovano na sećanjima. Za ovakve hipoteze
bilo bi mnogo bolje koristiti longitudinalne studije, a ne transferzalne.
Jedan klasični psihološki eksperiment u kome se koristilo stvaranje uslovnih
refleksa za ispitivanje percepcije takođe je poznat u naučnim krugovima.
 Nacrt eksperimenta je bio sledeći: pacovu se pokazuju krug i elipsa. Na krug dobija
hranu, a na elipsu eiektrošok. Ispitivana je sposobnost diskriminacije, tj. minimalne uočljive
razlike između kruga i elipse, pa su izlagani krug i elipsa u svakoj sledećoj eksperimentalnoj
seansi bivali sve sličniji. Medutim, uočeno je da životinje tokom eksperimenta dobiju ekspe-
rimentalnu neurozu i na pojavu bilo koje slike beže, sakrivaju se u kavezu, skiče i sl. Iz toga
su izvedeni dalekosežni zaključci o „neurotičnom” delovanju metode minimalne uočljive
razlike i tenzijama koje proističu iz nemogućnosti razlikovanja draži. Autori eksperimenta su
dobili vrlo prestižnu nagradu američkog udruženja psihologa.
Nakon nekog vremena, nažalost, jedan kritičan autor je detaljno analizirao taj ekspe-
riment i ustanovio da je u eksperimentalnim situcijama puštan jedan kratak pisak kako bi se
životinji .skrenula pažnja" da sledi slika, da se životinja probudi i pokrene na akciju. Nakon
pažljive analize, pokazalo se da je taj pisak bio draž na koji se životinja uslovljavaia i pošto
je nekad na pisak dobijala nagradu, a nekad kaznu, zbog toga je razvijala eksperimentalnu
neurozu.

U ovom primeru se opet radi o tome da se jedna varijabla „provukla”

eksperimentalnoj kontroli (pisak). Na nesreću, ta varijabla je potpuno istisnula
nezavisnu varijablu (krug-elipsa) i kauzalne zaključke koji su usledili učinila
potpuno pogrešnim jer su oni kauzalnu vezu pronašli između pogrešnih varijabli.
Cešći slučaj je da takve nekontrolisane varijable „uprljaju” eksperiment u tom
smiski da spreče ili umanje (ređe pojačaju) delovanje nezavisne varijable na
zavisnu tokom eksperimentalnog tretmana, u kom slučaju su zaključci opet
pogrešni, ali u okviru onih promenljivih koje su bile planirane.
Već iz ovih nekoliko primera se vidi da je nedovoljna (ih nedostajuća)
kontrola „irećih” varijabH vrlo čest izvor istraživačkih grešaka. Sledeći primer je
takode iz tog domena, ah se od prethodnih razHkuje po tome što istraživači nisu
podlegii iskušenju brzih zaključaka.
Istraživanje protiče iz vremena kada je prefrontalna lobotomija bila korišćena u terapiji
teških oblika shizofrenija, depresija, manično depresivnih psihoza i sl. (sredinom XX veka).
Bilo je uočeno na šimpanzama i donekle na Ijudima da nakon lobotomije raste telesna
težina. Istraživanje je bilo lako sprovesti jer se pacijenti redovno vagaju dok su u bolnici.
Podaci 0 telesnoj težini bili su izvađeni iz istorija bolesti pacijenata kojima je urađena lobo-
tomija i utvrđen je vrlo značajan i konstantan porast težine u sledeće dve godine.
Medutim, neki detalji su ipak bili sumnjivi, pa su učinjenje dve provere. S obzirom da
su ti pacijenti boravili u bolnici, ili dolazili u bolnicu duže vreme pre operacije, uzete su
njihove ranije telesne težine. Utvrdeno je da postoji konstantan porast težine od najmanje
godinu dana pre operacije.
Takode, prikupljena je gnjpa pacijenata kojima je bila prepisana operacija, ali nisu
mogli biti nađeni rodaci ili staratelji koji bi je odobrili. U vreme dok su čekali operaciju, tim
pacijentima je telesna težina rasla istim tempom kao i operisanim pacijentima.
Nije utvrdeno šta je uzrok tog povećanja telesne težine (dugo ležanje, bolja ishrana,
medikamenti), ali je odbačena hipoteza o lobotomiji kao uzroku.
Citirano iz Scott i VVertheimer (1962).

Treba svakako imati u vidu poznati Hawthome eksperiment, koji nije

završio pogrešnim zaključcima, ali samo zato što su istraživači uočili paradok-
salnc rezultate i bili prinudeni da ih protumače.
 Eksperiment je vršen u pogonu VVestern Electric Co. u Hotornu (odatle Ime).
Osnovna namena eksperirrienta je bila da se proveri kako uslovi rada (svetlo,
temperatura, vlažnost i ostalo) utiču na produktivnost rada.
Šest devojaka je odvojeno u testnu sobu tokom 2 godine i tamo radilo na svom
uobičajenom poslu, sklapanju releja. Eksperiment je zamišljen tako da se parametri sredine
prvo pojačavaju (poboljšavaju), pa zatim smanjuju i da se nakon svake te promene beleži
produktivnost.
Počeio je tako da se pr^o pojačalo osvetljenje što je bilo popraćeno povećanjem
produktivnosti. Onda je osvetljenje smanjeno, ali, umesto da opadne, produktivnostje opet
porasia.
Ispostavilo se da je i poboljšavanje i pogoršavanje bilo kog uslova rada povećavalo
radni učinak. Devojkama su menjani uslovi posla na gore i na bolje, ali je nađeno da im je
produktivnost stalno rasla, a apsentizam bio smanjen za skoro 80%.
Analizom situacije, intervjuisanjem devojaka, poslovođa i drugih zaposlenih, kao i
posmatranjem okoline, konstatovano je da su devojke - ispitanici bile konsultovane oko svih
stvari, pitane su za mišljenje i stalno su bile u kontaktu sa „važnim Ijudima” iz nauke.
Takode, bile su izdvojene od ostalih devojaka u posebnu prostoriju. Kao posledica toga,
njihov društveni status je stalno rastao. Kako je status rastao, tako je rasla i njihova odanost
posiu. Iz tog i svih drugih nalaza je utvrđena čvrsta veza između produktivnosti i zado-
voijstva poslom. Ako se radnici osećaju delom kompanije, ako misle da se za njih neko
interesuje i da su ijudska bića oni bolje rade. Uslovi rada su bili sekundarni.

Po ovom eksperimentu je dobio naziv Hawthorne efekt, koji se odnosi na

uticaj merenja na rezultate merenja uopšte, a ponekad i na nedovoljnu kontrolu
eksperimentalnih varijabli. Postoji sličan efekt koji se takode koristi kao ilustra-
cija interakcije merenja i merenog, a to je halo efekt ili efekt oreola. Efekt oreola:
a) je tendencija da ocenjivač sudi o postignuću na raznim, relativno nezavisnim
dimenzijama na osnovu opšteg utiska o ispitaniku, b) je tendencija da ocena
ispitanika na jednoj osobini utiče na ocenu na drugoj osobini i e) odražava nespo-
sobnost da se razlikuju konceptualno razhčiti i potencijalno nezavisni aspekti
ponašanja kod osoba koje se ocenjuju.
 I. V R S T E IS TR A ŽIV A N JA

Postojc mnogobrojne klasifikacije istraživanja, po različitim aspektima.

Zbog toga je često teško saobraziti buduće istraživanje sa nekim određenim
nacrtom, ili razvrstati postojeće istraživanje u neki od tipova. U nekim oblastima,
kao što je medicina, vodi se prilično pažnje o tome kojoj vrsti pripada istraži-
vanje, pa se čak taj podatak eksplicitno navodi u rezimeima. U nekim drugim
oblastima, kao što su društvene nauke, istraživači ne posvećuju toliko mnogo
vremena da bi odredili vrstu kojoj pripada njihovo istraživanje. Takode, razne
naučne oblasti imaju specifične tipove istraživanja, prilagođene prirodi pojava
koje dotična nauka istražuje (npr. klinička istraživanja u psihologiji, ih medijska
istraživanja u komunikologiji). Neki tipovi istraživanja su u nekim naučnim
oblastima vrlo često korišćeni, a u nckima retko.
Možda podatak o tipu ili vrsti istraživanja ne zavrcđuje da se eksplicira u
rezimeu naučnog rada, jcr je od sekundame važnosti i je r pažljiv čitalac može
uvek prepoznati o kome tipu se radi. Međutim, tip istraživanja snažno utiče na
način prikupljanja podataka, a zatim i na izbor metodologije, statističkih tehnika
i načina interpretacije rezultata. Epistemolozi, na primer, smatraju da je razlika
izmedu eksperimentalnog i neeksperimentalnog tipa istraživanja od presudne
važnosti za odgovor na jcdno od temeljnih pitanja nauke - kauzalnost. Osim toga,
pojmovi iz oblasti tipologije istraživanja moraju biti bliski istraživačima kako bi
razumcH tuđe radove.
 Iscrpna taksonomija istraživanja se ne može napraviti po jednoj dimenziji.
Postoji više stvari koje mogu da odrede tip istraživanja. Već je pomenuto da se
istraživanja mogu podeliti s obzirom na opšti pristup: kvantitativna, kvalitativna
i mešovita. Druga najpoznatija podela je prema strukturi ili strategiji istraživanja:
npr. eksperimentalna i neeksperimentalna. Istraživanja se mogu deliti i s obzirom
na uslove pod kojima se odvijaju - laboratorijska i terenska - a izdvajaju se i
istraživanja po nekim posebnim svojstvima, kao što sn studija slučaja ili akciona
istraživanja. S obzirom na faktor vremena, istraživanja se dele na transferzalna i
longitudinalna.
D eskriptivna, relaciona i eksperim cntalna o rijen tacija.- Više autora u
okviru psihologije je nastojalo da podeli istraživanja sintetički, u odnosu na jedan
zbirni kriterijum. Uočeno je, naime, da postoje neki tipovi istraživanja koji su
unutar sebe slični a izmedu sebe različiti po nekoliko svojstava. Ta svojstva
uključuju ne samo metodološku strukturu istraživanja i primenjene metode, nego
i ciljeve istraživanja i njiliov opšti duh. Rosnow i Rosenthal (2005) ove tipove
nazivaju orijentacijama i izdvajaju deskriptivnu, relacionu (korelacionu) i ekperi-
mentalnu. Sličnu podelu je uočio i Cattell i čitalac će, kasnije u knjizi, pronaći
argumente u prilog ovakve podele.
Medutim, pre nego što se posvetimo tim, ali i drugim podelama istraživanja,
obradićemo jednu temu koja je od značaja za eksperimentalna, ali druga istra-
živanja - fonniranju grupa objekata.

A. Dodeljivanje objekata u grupe

U glavi o varijabli prezentirana je uvodna diskusija o formiranju grupa

objekata na osnovu deskriptivnih varijabli. Formiranje grupa objekata je veoma
važan deo istraživačke strategije. Postojanje više grupa je preduslov poredenja, a
poredenje je preduslov zaključivanja. Grupc se mogu formirati na veoma različite
načine, isto kao što i logika na kojoj počiva poredenje može biti različita. Recimo,
možemo da poredimo stanovnike grada i sela, ili loše i dobre studente. Međutim,
možemo formirati grupe tako da budu potpuno jednake, da ih onda podvrgnemo
nekom tretmanu i da ispitamo da li će se grupe razlikovati nakon delovanja
tretniana.
Dodeljivanje objekata u grupe je kritično kod eksperimentalnih istraživanja,
što znači da ćemo prilikom izlaganja materije dodeljivanja imati u vidu prven-
stveno taj tip istraživanja. Međutim, osnovna problematika dodeljivanja objekata,
a to je kontrola neželjene varijanse, relevantna je za sve tipove istraživanja.
Postoje dva osnovna načina dodeljivanja objekata u grupe.
 Nacrti sa nezavisnim grupama - U tim nacrtima se svaki objekt nalazi
samo u jednoj grupi, a svaka grupa prima jedan tretman (ili nivo) nezavisne
varijable. Nezavisnost u ovom kontekstu ne znači statističku nezavisnost, koja je
u okviru pitanja zavisnih i nezavisnih uzoraka obrađena u poglavlju o testiranju
hipoteza. Ovde su grupe nezavisne zato što je svaka podvrgnuta drugom
tretmanu. Tri su glavna načina dodeljivanja objekata u nacrtima nezavisnih grupa.
• Randomizacija
• Jednačenje
• Podela u prirodne giupe. U glavi o varijabli pomenuli smo nacrte sa
prirodnim gnipania. U takvim istraživanjima se gnipe formiraju na osno-
vu nekih prirodnih svojstava ispitanika - recimo starosti, inteligencije iii
obrazovanja. Ovako foiTnirane grupe se koriste u svim tipovima istraži-
vanja, kako eksperimentalnim tako i neeksperimentahiim.
Randomizacija i jednačenje biće opisani u zasebnim poglavljima. Pod
pojmom „prirodne gr'upe” podrazumeva se i svako grupisanje koje zatičemo na
teremi. Recimo, takav je slučaj ako nam kao grupe služe razredi u školama ih
odeljenja u fabrikama. Ovaj način formiranja grupa se koristi u svim tipovima
istraživanja, a ako se radi o eksperimentima oni se nazivaju nacrtima sa neekviva-
lentnim grupama (v. kasnije). Time se naglašava problem koji takvi nacrti mogu
imati kada se desi da se grupe raziikuju po nekom svojstvu koje presudno utiče na
zavisnu varijabiu. Recimo, ako ispitujemo efikasnost nekog edukativnog progra-
ma protiv pušenja, eksperimentalnu grupu možemo fomiirati tako što ćemo potra-
žiti dobrovoljce pušače, a u kontrolnu grupu ćemo uključiti sve ostale pušače. U
tom slučaju može se desiti da su dobrovoljci bili oni Ijudi koji su i inače bili ,,na
ivici” da prestanu pušiti, dok su u kontrolnoj bili oni sa težim oblikom nikoti-
nizma. To znači da grupe nisu bile ekvivalentne u pogledu stepena nikotinske
zavisnosti.
Nacrti sa ponovljenim m ercnjim a.- U nacrtima sa ponovljenim merenji-
ma svaki objekt se podvrgava svim tretmanima i nierenjima. Recimo, ako ispitu-
jemo uticaj smislenosti teksta na brzinu učenja, po nacrtu sa nezavisnim gn’pama
formirali bismo dve giTipe, jednoj bismo dali besmislen, a drugoj smislen tekst i
izmerili količinu upamćenog teksta. U nacrtu sa ponovljenim merenjima,
ispitanicima bismo prvo dah besmislen tekst, izmerili koliko su naučili i zatim
bismo na istim ispitanicima to ponovili sa smislenim tekstom. Nacrt je dobio ime
po tome što smo na svakom ispitaniku uzastopno ponovili merenje količine za-
pamćenog tcksta. Striktno rcčeno, u ovom nacrtu sc zapravo ne formiraju zasebne
grupe, ali ga zbog konvencije o dodeljivanju eksperimentalnih tretmana grupama
tretiramo kao način fonniranja gnipa. Ako grupu defmišemo na opštiji način, kao
skup mera, onda je jasno da i nacrti sa ponovljenim merenjima sadrže grupe.
 1. Randomizacija objel<ata

U poglavlju 0 nezavisnim i zavisnim varijablama spomenuli smo da se

nezavisne varijable defmišu kao one koje zavise od istraživača, odnosno od
njegove manipulacije. Manipulacija je najbolji način da se kontroliše uticaj
nezavisne varijable na zavisnu. Medutim, nisu nezavisne varijable jedine koje
istraživači žele da kontrolišu u istraživanjima. Ako istražujemo uticaj nekog
edukativnog programa na smanjenje pojave pušenja među mladima, interesovaće
nas da eliminišemo neke druge moguće uticaje na pojavu pušenja kod mladih. Ti
uticaji, koji nisu ništa drugo do varijable, mogu biti pušenje roditelja, uzrast, pol,
osobine ličnosti i drugo. Dakle, kada želimo da proverimo da li naš edukativni
program doprinosi smanjenju nikotinizma među mladima, onda moramo biti
sigurni da smo eliminisali moguće uticaje drugih varijabli. Kontrola neželjene
varijanse je generalna obaveza istraživača jer od nje zavisi validnost zaključaka i
0 njoj će kasnije biti još reči.
Najbolji način kontrole sistematslce nežeijene varijanse j e randomizacija.
Pogledajmo na prethodnom primeru o čemu se radi. Najbolji nacrt istraživanja
uticaja edukacije na pušenje bio bi osnovni eksperiment sa eksperimentalnom i
kontrolnom gmpom. Eksperimentalna grupa bi pohađala naš edukativni program,
a kontrolna ne. Ispitah bismo svu odabranu decu da li puše i koliko puše pre i
posle početka programa i testirali bismo hipotezu razlika izmedu tih grupa. Nulta
hipoteza bi bila da razlike ne postoje, a altemativna hipoteza bi bila da eksperi-
mentalna grupa manje puši nakon edukativnog programa.
Međutim, kako da odaberemo decu, kako da ih rasporedimo u gnjpe i kako
da odabremo koju grupu ćemo podvrći edukativnom programu? Kompletan
postupak randomizacije se sastoji iz tri koraka. U prvom koraku biramo prostim
slučajnim uzorkovanjem objekte iz populacije koja je predmet naše generali-
zacije. Ovaj korak se naziva sliičajnom seleiccijom. U drugom koraku, iz
dobijenog uzorka prostim slučajnim izborom dodeljujemo objekte u dve iii više
grupa. Konačno, u trećem koraku slučajno odabiremo koja grupa će biti izložena
eksperimentalnom tretmanu ili programu (jednorn ili više), a koja neće. Na
engleskom se dodeljivanje tretmana grupama naziva „assignment”, a u slučaju
randomizacije: „random assignment”. U prevodu, mi ćemo drugi i treći korak
nazivati sliičajna alolcacija.
Ovo trostepeno biranje nazivamo kompletnom randomizacijom. Kompletna
randomizacija, budući da se zasniva na jednakoj verovatnoći biranja svih članova
populacije i jednakoj verovatnoći izlaganja eksperimentalnoj manipulaciji,
teorijsJii obezbeđuje eliminisanje delovanja svih neželjnih varijabli na biiduće
istraživanje.
U praksi, prvi korak, odnosno slučajna selekcija, može se obaviti bilo
kojom metodom uzorkovanja kako je opisano u zasebnoj glavi. Ako su odabrana
procedura uzorkovanja i veličina uzorka uverljive u pogledu reprezentativnosti,
naš eksperiment će biti eksterno valjan. Slučajna selekcija obezbeduje da sve
formirane grupe objekata budu reprezentativne za populaciju, ili da barem uzorak
u celini bude reprezentativan, pa se kaže da se slučajnom selekcijom postiže
eksterna validnost eksperimenta (v. kasnije).
U sledećem koraku, slučajnoj alokaciji, izmešaćemo sve izvučene objekte
(kao karte) i zatim ih numerisati. Nakon toga ćemo na osnovu tabele slučajnih
brojeva izvlačiti jednog po jednog i ako je izvučeni broj paran, objekt će biti
dodeljen prvoj grupi, a ako je neparan, objekt će biti u drugoj grupi. Na kraju,
bacićemo novčić da bismo odredih da h će prva grupa biti eksperimentalna ih
kontrohia. Čitalac će biti u stanju da sam generahzuje postupak na slučajeve kada
postoje više od dve grupe. Ako su koraci slučajne alokacije obavljeni korektno, to
će doprineti da eksperiment bude interno valjan. Slučajna alokacija obezbeđuje
da možemo tvrditi da je samo naša eksperimentalna manipulacija nezavisnom
varijablom dovela do promene u zavisnoj varijabh, što se naziva intemom vahd-
nošću eksperimenta (v. kasnije).
Istraživanja ne moraju da poseduju ni slučajnu selekciju, ni slučajnu
alokaciju, ih mogu posedovati samo jedno (ah ne oboje). Istraživanja koja ne
poseduju slučajnu alokaciju ne mogu se nazvati randomiziranim eksperimentom,
čak i ako poscduju eksperimentalnu manipulaciju nezavisnim varijablama (v.
sledeće poglavlje). Naime, danas se smatra da je slučajna alokacija jcdnako bitna
za dokazivanje kauzaliteta kao i eksperimentalna manipulacija. Slučajna selekcija
nije presudna da bi eksperiment bio validan, ali je presudna za generalizaciju
njegovih nalaza.
Slučajna selekcija se ređe koristi u ekspcrimentima iz praktičnih razloga.
Ako se ispituju Ijudi, obično će se angažovati dobrovoljci, ako se ispituju životi-
nje, uzgajivač će ih isporučiti. Slučajnu selekciju je teško ih nemoguće postići u
medicini i kliničkoj psihologiji, istraživanju retkih pojava i sl. - u takvim sluča-
jevima se moraju uzeti oni objekti koji su na raspolaganju.
Ako već ne možemo da imamo slučajnu selekciju, a želimo da dokazujemo
kauzalnost, onda je važno da slučajna alokacija bude obavljena korektno. Postu-
pak iz dva koraka, kako smo ga ovde opisali, lako se može spojiti u jedan. Mi
smo razdvojili ta dva koraka iz pedagoških razloga, da bismo ukazali na važnost
nepristrasne dodele tretmana grupama, ali i zato što postoje slučajevi kada ništa
osim trećeg koraka ne možemo preduzeti. To je slučaj, na primer, sa prirodnim
gmpama kakve se koriste u kvazi-eksperimentima. Inače, u primeru kojim smo
ilustrovali slučajnu alokaciju, „spajanje” dva koraka se može obaviti sasvim
jednostavno - izbacivanjem trećeg koraka. Naime, ako smo objekte podelili u
grupe na osnovu tablice slučajnih brojeva, sasvim je svejedno hoće li prva ih
druga grupa biti eksperimentalna. Važno je da su svi objekti imali jednaku
verovatnoću da u nju upadnu.
R andom izacija po blokovim a. - Istraživanja se često suočavaju sa nekim
zahtevima koji nisu epistemološki u užem smislu, ali koje valja ispuniti da bi se
postigla intema i eksterna validnost. Jedan od takvih zahteva je da grupe budu
jednako velike. Ovaj zahtev je statistički i sreće se uvek kada se porede gnipe
(recimo u analizi varijanse), jer će rezultati poredenja biti pouzdaniji ako su
standardne greške grupa slične. Drugi problem je trajanje istraživanja, a on je
 posebno izražen kod eksperimenata. Naime, ako se eksperimentalna seansa
sprovodi na manjim grupama, a pogotovo na pojedincima i ako meme procedure
traju dugo, sasvim je normalno da eksperiment potraje nekoliko nedelja ili
meseci. Iz raznih razloga, tokom tog vremena mogu da nastanu neke okolnosti
koje mogu da ugroze validnost. Jedna od takvih okolnosti je da učesnici polako
saznaju šta je predmet istraživanja. Treći problem je angažovanje dobrovoljaca
(dakle, bez slučajne selekcije), pogotovo ako se oni prijavljuju tokom celog toka
istraživanja.
Randomizacija po blokovima je jedan dobar odgovor na sva tri problema.
Kako se ona sprovodi? Recimo da naš eksperiment ima pet nivoa nezavisne
varijable, odnosno pet vrsta tretmana. Pod „blokom” podrazumevamo neku
slučajnu kombinaciju ovih tretmana. Blok ne podrazumeva nikakvo zajedničko
zadavanje ispitanicima, on je samo „simbolička” kombinacija. Recimo, ako pet
tretmana označimo sa A, B, C, D i E, jedan blok bi bio: E, C, D, A, B.
Zamislimo sada da smo istakli ,,važno obaveštenje” da su nam potrebni
studenti dobrovoljci za učešće u zanimljivom eksperimentu, U dato vreme ispred
laboratorije se okupio izvestan broj dobrovoljaca, koje ćemo pozivati u grupama
po pet. Kada grupa uđe, svakog od studenata ćemo^Iučajno rasporediti u jednu
od tretmanskih grupa u okviru jednog bloka. Nakon toga, to ćemo ponoviti sa
sledećom grupom na sledećem bloku itd. Ono što je važno, prijem dobrovoljaca
ne mora da se obavi odjednom. Prvog ispitanika možemo alocirati prvog dana,
sledećeg drugog dana i tako dalje. Ako želimo da nam grupe budu veličine 10,
trebaće nam 50 studenata. Šematski prikaz ove procedure je dat u tabeli 6 (Shau-
ghnessy et al, 2000).

Tabela 6. - Randomizacija po blokovima.

10 Blokova Ispitanici Tretman Blok
l.ECDAB 1. Katarina E
2. C A E B D 2. Andrej C
3. DBE AC 3. Olivera D Prvi blok
4 .B A C E D 4. Stanislav A
5. A C E D B 5. Andrea B
6. A D E B C 6. Jovana C
7. B C A D E 7. Vojko A
8. D C A E B 8. Jasna E Drugi blok
9.EDBCA 9. Bojan B
10. C E B D A 10. Dejan D
11. Tanja D
i tako dalje za svih 50 ispitanika

Nakon ovakve procedure imaćemo u svakoj tretmanskoj grupi po 10

ispitanika. Sve grupe su jednake, a svaki ispitanikje imao jednaku šansu da uđe u
neku od gmpa, bez obzira kada se prijavio za učešće. Čak i ako su se tokom
sprovođenja eksperimenta desili neki izvori ugrožavanja validnosti, ispitanici koji
su se prijavili poslednje nedelje biće alocirani tretmanima sasvim slučajno. Time
će ideja randomizacije biti sačuvana, a time i ideja kontrole neželjnih varijabli.
Smatra se da, ako je sprovedena pravilno, randomizacija ujednačava grupe
s obzirom na sve varijable; zavisne i ometajuće. Tačna defmicija randomizacije je
da su nakon randomizacije eksperimentalna i kontrolna grupa statistički izjedna-
čene. To ne znači da će grupe uvek biti jednake po svim mogućim varijablama.
To je način na koji istraživač ima najveću verovatnoću da postigne jednakost gru-
pa. Takode, randomizacijom se dobijaju grupe koje su nekorelirane, odnosno
nezavisne.
Randomizacija nije jedini pačin kontrole neželjene varijanse. O ostalim
načinima biće reči u narednom poglavlju i u poglavlju o kontroli sistematske
neželjene varijanse.

2. Tehnike jednačenja grupa

U literaturi se često može pročitati da je jednačenje grupa najčešće koriš-

ćena zamena za randomizaciju objekata. Kasnije ćemo videti da ono u nekim slu-
čajevima ima prednosti na randomizacijom. Medutim, onaj ko pažljivo čita
literaturu uočiće da jednačenje grupa ima dve osnovne namene u istraživanjima.
Prva je jednačenje grupapo zavisnoj varijabli (zavisnim varijablama). Cilj ovog
jednačenjaje da E i K grupa budu jednake po zavisnoj varijabli, da bi eventualnu
razliku u posttestu mogli pripisati samo tretmanu.
Postoje, naime, neke okolnosti u kojima se nećemo moći pouzdati u
randomizaciju da će nam obezbediti grupe koje su jednake po zavisnoj varijabli.
Okolnost koja se najčešće sreće u praksi je da nemamo dovoljno veliki uzorak iz
koga možemo vršiti slučajnu selekciju i alociranje, a znamo da je populacija
heterogena (po zavisnoj ali i dmgim varijablama). Takav ćemo slučaj irnati ako
radimo sa nedonoščadi ih vrlo starim osobama. Na ograničenom broju nedo-
noščadi nećemo se moći osloniti na slučajno biranje i alokaciju.
Pod tim okolnostima se istraživačima preporučuje daprim enjuju jednačenje
po zavisnoj varijabh. Uslov da se to može obaviti je postojanje dobrog kriteri-
jiim a za jednačenje. Kriterijum za jednačenje su, po pravilu, mere sa pretesta.
Dakle, ujednačene E i K gmpe se fonniraju nakon pretesta. Naravno, najbolje je
ako se u pretestu direktno meri zavisna varijabla. Recimo, ako je zavisna varijabla
krvni pritisak nećemo imati probleme da ujednačimo gmpe po tenziji. Nažalost,
postoje često slučajevi kada se pretest ne može primeniti direktno na zavisnoj
varijabli, bar ne na isti način kao što se planira za posttest. Recimo, ako je zavisna
varijabla brzina rešavanja slagahce, ne možemo u pretestu deci dati istu slagalicu,
jer će im kasnije biti potrebno manje vremena d a je slože. U takvim prilikama se
mora naći neko posredno merenje zavisne varijable, ali takvo da mere sa posttesta
visoko pozitivno koreliraju sa merama na posttestu. Na primer, deci možemo dati
 da slažu dugačiju slagalicu, ili im čak možemo dati da rešavaju neki test inteli-
gencije, ili test percepcije (Shaughnessy et a l, 2000).
Đ ak\e,jednačenje grnpa po zavisnoj varijabli može biti bolji (praktičniji)
izbor od randomizacije kada imamo mali uzorak iz heterogene populacije i kada
raspolažemo dobrim kriterijumom za jednačenje.
Dniga funkcija jednačenja je kontrola neželjene varijanse. Cilj takvog
jednačenja je da proizvede grupe koje su ujednačene po nežeijenim, ometajućim
ili interferentnim varijablama.
Formiranje grupa na osnovu jednačenja, rekh smo, ima neke prednosti nad
randomizacijom, ali ima i nedostatke. Ako se jednačenje obavlja zbog kontrole
neželjene varijanse, biće teško odrediti po kojim varijablama treba obaviti jedna-
čenje. Obično su to pol, starost, bračno stanje, obrazovanje, intehgencija i sl., ah
je potencijalni spisak varijabh obično mnogo duži. Praksa pokazuje da kada je
broj varijabh po kojima se vrši jednačenje veći od jedan, jednačenje zahteva
vehke uzorke, čime se gubi njegova osnovna prednost nad randomizaeijom.
Međutim, skrećemo pažnju da se jednačenje gmpa može obaviti i nakon eksperi-
mentalnog tretmana, ukohko su grupe dovoljno vehke.
Postoji jedan značajan statistički uslov koji mora biti zadovoljen kod
jednačenja grupa sa ciljem kontrole neželjene varijanse. To je uslov da varijable
po kojima se vrši jednačenje moraju dovoljno korelirati sa zavisnom varijablom
- ne manje od 0,5 ili 0,6 (Kerlinger i Lee, 2000). U protivnom, jednačenje je ne
samo uzaludan posao, nego je pokazano da može doneti više štete nego koristi.
U poglavlju o eksperimentalnim nacrtima opisan je naert anahze kova-
rijanse. Tamo je rečeno da on predstavlja potpunu i efikasnu statističku zamenu
zajednačenje grupa. Danas se istraživači retko odlučuju za jednačenje, ako ga
mogu zameniti statističkim jednačenjem putem analize kovarijanse.
Opisaćemo osnovne tehnike kojima se postiže ujednačenost grupapo jednoj
ili više varijabli.
Jednačenje po parovim a. - Ovaj najpoznatiji način jednačenja grupa se
naziva još i jednačenje po ispitanicima, a nekada se termin ,Jednačenje po
parovirna” koristi za jednu specifičniju situaciju (v. kasnije). Altemativni nazivi
su i „precizni metod kontrole” ili „uparivanje po koreliranomkriterijum u”. U ovoj
metodi jednačenja je cilj da se forrniraju ekvivalentne grupe ispitanika po nekim
varijablama. Recimo, ako želimo da kontrohšemo uticaj inteligencije na zavisnu
varijablu, tu kontrolu ćemo sigurno ostvariti tako što ćemo sve gnipe ujednačiti
po intehgenciji.
Postupak je jednostavan; svim ispitanicima koji su ušli u uzorak izmerićemo
inteligenciju i poredati ih od najvišeg ka najnižem (ili obratno). Zatim ćemo uzeti
prva dva ispitanika sa spiska, pa ćemo jednog člana para slučajno dodeliti u E, a
dnigog u K grupu. Isti postupak ćemo ponoviti sa sledećim parovim a ispitanika sa
spiska. Naravno, ako imamo nacrt sa više grupa, sa spiska ćemo u svakom koraku
birati onoliko ispitanika koliko imamo grupa.
Kada je broj varijabli veći od jedan, postoji ozbiljan problem nalaženja
jednakih parova. Naime, već ako imamo dve varijable čije delovanje želimo da
 kontrolišemo - npr. pol i inteligenciju - imaćemo problem da nađemo đovoljan
broj parova osoba koje su jednake po obe varijable. To je moguče postići samo
ako je početni uzorak, iz koga izvlačimo parove, dovoljno veliki. Što je broj
neželjnih varijabli veći i što je broj grupa u istraživanju veći, problem će biti sve
teži i ubrzo će postati pretežak (o sličnom problemu, problemu kvota, raspravlja
se u glavi o uzorku). U slučaju da se vrši jednačenje po više varijabli, ono gubi
svoju osnovnu prednost nad randomizacijom.
Jednačene grupe mogu imati jedan važan nedostatak; ne moraju biti
nezavisne. Zavisne grupe ćemo verovatno dobiti ako parovc formiramo tako da to
budu brat i sestra, muž i žena, dve osobe istog IQ-a, dve osobe istog socijalnog
statusa ili istog uzrasta. Pošto varijable kao što su porodica, uzrast i obrazovanje
(koje su namemo ili nenamcmo učestvovale u jednačenju) koreliraju sa zavisnom
varijablom, doći će do korelacije između grupa po zavisnoj varijabli. Ova korela-
cija izmcdu grupa se možc iskoristiti kao prednost ukoliko se odabere prava
statistička tehnika. Naime, korelacija izmcđu grupa je sistematska neželjena
varijansa koja se može eliminisati iz eksperimentalne varijanse, čineći tako nacrt
osetljivijim na razlike izmedu grupa. Ako se koristi Mest, u slučaju zavisnih
gmpa (uzoraka) testiranje nulte hipoteze mora biti korigovano za korelaciju
izmedu grupa.
Nckada se pod jednačenjem po parovima podrazumeva jedna sasvim
specifična procedura. Ona se primenjuje kada su parovi prirodno dati; blizanci,
braća i sestre ili bračni parovi (kod bračnih parova postoji dobro poznata pojava
tzv, asortativnog spajanja, odnosno sličnosti po nekim osobinama kao što su inte-
ligcncija, obrazovanje, društvcnih status i sl.). U tim slučajevima se jedan član
para smešta u jednu a dmgi u drugu gmpu. Tako se dobijaju gnipe ujednačenepo
parovima (engl. matched pair groups).
Jcdnačenje po distribuciji frekvencija. - Ova tchnika se zasniva na uje-
dnačavanju cele distribucije po odabranim varijablama, a ne na jednačenju poje-
dinaca. Nakon što prikupimo mere svih objekata formiraćemo gmpe tako da im
budu jednake aritmetičke sredine, standardne devijacije i asimetrija. Jcdnakost
gmpa možemo proveriti i testom nulte hipoteze. Gmpe će biti statistički ujedna-
čene. Ako ima više varijabli, jednačenjem po parovima obično se mora odbaciti
mnogo objekata. Pri jcdnačenju distribucija gubitak objekataje manji. Nažalost,
ako se jednačenje obavlja po više varijabli, dobijenc gmpe ne moraju biti jednake
po kombinaciji varijabli. Na primcr, ako jednačimo po starosti i autoritamosti,
može se desiti da u jednoj gmpi dobijemo kombinacije ispitanika stariji-auto-
ritami i mladi-manje autoritami, a da u dmgoj grupi budu suprotne kombinacije.

3. Dodeljivanje u nacrtu sa ponovljenim merenjlma

Kao što je rečeno u uvodu, u nacrtima sa ponovljenim merenjima svi ispita-

nici se podvrgavaju svim trctmanima (ali postoje i nacrti u kojima se podvrgavaju
 samo nekim tretmanima) i nakon svakog trelmana se na tim ispitanicima meri
zavisna varijabla.
Prednosti i nedostaci nacrta sa ponovljenim merenjima opisani su u
poglavlju 0 eksperimentalnim nacrtima. Osnovni nedostatak ovih nacrta su efekti
redosleda, kao što su efekat vežbanja, efekat zamora i efekat kontrasta. Kaže se
da je redosled tretmana konfundiran sa efektom tretmana.
Da bi se neutralisao efekat redosleda, na prvom mestu efekat vežbe,
odnosno da bi se otklonila konfundacija, istraživač mora pažljivo dodeljivati
eksperimentalne uslove objektima. Tehnike kojima se to postiže nazivaju se
uravnotežavanjem, odnosno balansiranjem (engl. counterbalancing) i dele se na:
kompletne nacrte i nekompletne nacrte. Pre nego što objasnimo o čemu se radi
uvešćemo nekoliko osnovnih pojmova. Za osnovni element eksperimenta sa
ponovljenim merenjima uzećemo eksperimentalni uslov (to nije opšte usvojeno,
recimo u literaturi se nekada to naziva pokušajem - engl. trial). Jednu kombinaci-
ju ili redosled uslova nazvaćemo blokom. Recimo da svakom ispitaniku prikazu-
jemo slike sa dve verzije jedne trodimenzionalne geometrijske figure: osnovnom
i rotiranom, pri čemu se rotirana razlikuje u stepenima rotacije: 0°, 60", 120° i
180“. Parovi slika koji odgovaraju ovim stepenima rotiranosti su uslovi i
označićemo ih sa A, B, C i D. Zadatak ispitanika je da pritisne dugme kada oceni
da li su dve figure iste ili različite. Što je veći ugao rotacije, vreme reakcije i broj
grešaka se povećava. Redosled prikazivanja uslova može biti ABCD, ACDB,
DBAC itd. Svaki od ovih redosleda ili kombinacija uslova nazivamo blokom.
Postoji 24 proste figure i 24 složene figure.
Kompletno uravnoteženje sastoji se u torne da se u eksperimentu obuhvate
svi mogući blokovi. U ovom slučaju to je faktorijel od 4; 4! = 4 x 3 x 2 x ] = 24.
Ako postoje dva uslova, radi se o dva bloka, tri uslova šest blokova, šest uslova
240 blokova i tako dalje. Kompletni nacrti zahtevaju da se svi blokovi prezen-
tiraju svim ispitanicima, ili, barem, da se svakom ispitaniku prezentira „dovoljan”
broj različitih blokova. U kompletnim nacrtima je svaki ispitanik za sebe komple-
tan eksperiment - zato što prolazi kroz sve blokove (ili dovoljan broj blokova
kako bi se efekat vežbe otklonio, a izbegao efekat zamora). Uravnotežavanje
efekta redosleda vrši se u okviru svakog ispitanika.
Postoje dve najčešće tehnike za realizaciju kompletnih nacrta: randomizi-
rani blokovi i ABBA uravnotežavanje. Randomizirane blokove smo već spominja-
li u poglavlju o randomizaciji, gde se ta tehnika koristila za slučajno đodeljivanje
objekata tretmanima. Ovde je namena na neki način okrenuta jer bi se moglo reći
da treba blokove slučajno dodeliti objektu. Recimo da smo u gomjem primeru
ispitivanja percepcije geometrijske figtu'e odredili da svaki ispitanik mora videti
dve različite geometrijske figure, jednu prostu i drugu složenu, u četiri bloka.
Blokove smo formirali tako što smo uslovima (rotacijama) slučajno dodeljivali
redne brojeve. Dobili smo 48 blokova. Svaki ispitanik će morati da oceni
jednakost 24 prostih (p) i 24 složenih (s) figura u svih mogućih 48 blokova. Zato
kažemo da je svaki ispitanik eksperiment za sebe. Naravno, što više ispitanika
ispitamo, to će nalazi biti ekstemo validniji. U donjoj tabeli je prikazan takav plan
izlaganjaslika ispitaniku kod koga će efekti redosleda biti uravnoteženi randomi-
ziranjem po blokovima. Redosled uslova (rotacija), redosled prostih i složenih
figura, kao i redosled svih pojedinačnih figura određeni su slučajno.
______ Tabela 7. - Uravnotežavanje putem randomiziranih blokova.________
Figura Blok Figura Blok Figura Blok
1 sl7 CDBA 17 s6 CADB 33 s9 ADBC
2 p8 BCAD 18 sl5 DABC 34 p ll DACB
3 p21 ADCB 19 s7 BCAD 35 p6 CABD
4 s8 CBDA 20 p20 BACD 36 pIO ABDC
5 p9 CDAB 21 p23 ACDB 37 p l6 DCAB
6 s24 ABDC 22 s l2 CDAB 38 p3 DCBA
7 slO BACD 23 p4 BCDA 39 sI3 DACB
8 s22 DBCA 24 s21 ACBD 40 sl9 BCDA
9 s20 ACDB 25 sl ADCB 41 s23 CBAD
10 s5 BDCA 26 pl3 CDBA 42 p24 CBDA
11 sl6 DCBA 27 s4 DCAB 43 P5 BADC
12 p l4 BDCA 28 p l2 DBAC 44 p7 ADBC
13 p22 DABC 29 s3 BADC 45 s2 DBAC
14 p l7 ABCD 30 plS CADB 46 s ll BDAC
15 p l5 DBCA 31 sIS CABD 47 sI4 ABCD
1 6 pl CBAD 32 P2 ACBD 48 _pl9 BDAC
Uravnotežavanje ABBA se sastoji u podvrgavanju ispitanika uslovima
jednim redom (A pa B) i odmah zatim i obmutim (B pa A). Tehnika je, očigledno,
dobila naziv po najjednostavnijem nacrtu - sa samo dva uslova, ali je lako napra-
viti generalizaciju za više uslova (recimo: ABCDDCBA). ABBA nacrt je štedljiv
i koristan je kada se ne mogu primeniti svi mogući blokovi u okviru nacrta
randoraiziranih blokova.
Međutim, ako u eksperimentu postoji mnogo uslova koji su skupi, dugo-
trajni ili zamomi, onda kompletni nacrti nisu pogodni. Isto važi ako ponavljanje
svili blokova svim ispitanicinia nije moguće ili nije potrebno. U takvim sluča-
jevima se primenjuju nekompletni nacrti. Kod njih se ne koriste svi mogući blo-
kovi. Rezonuje se da će do uravnotežavanja doći kombinovanjem više ispitanika,
a ne u okviru jednog ispitanika kao u kompletniin nacilima - svaki ispitanik nije
eksperiment za sebe. Najpoznatija tehnika nekompletnih nacrta je Latinski
kvadral. Uzmimo naš primer sa trodimenzionalnim figurama u četiri rotacije: A,
B, C i D. Latinski kvadrat reda g je matrica reda gxg, koja sadrži g^ kućica u
kojima se nalaze simboli A, B, C i D, ali tako da se svaki simbol sreće samo u
jednom redu i samo jednom u koloni. Jasno je da može postojati veliki broj
Latinskih kvadrata, ali su za metodologiju eksperimentalnih istraživanja zanim-
Ijivijedino tzv. ortogonalni Latinski kvadrati, kojih ima maksimalno g - 1.
Međutim, svaki pojediiiačni validni Latinski kvadrat će istraživaču omogućiti ono
što je potrebno: da ispitanike podvrgne različitom bloku eksperimentalnih uslova,
da blokovi budu fomiirani i dodeljeni nasumično i da broj blokova bude sasvim
ograničen, jednak broju uslova. Telinika će biti jasnija iz sledećeg primera,

Tabela 8. - Latinski kvadrat sa četiri uslova.

Red prezentiranja uslova
1 2 3 4
Blok 1 A B C D
Blok 2 B C D A
BIok3 C D A B
B lok4 D A B C

Svakom bloku (redu matrice) mora biti podvrgnut najmanje jedan ispitanik,
ali se obično slučajno dodeljuje nekoliko njih. Jedino je važno da u svakom redu
bude jednak broj ispitanika. Dakle, ako svakom bloku dodelimo pet ispitanika
biće nam potrebno 20 ispitanika. Postoje posebni nacrti analize varijanse name-
njeni analizi Latinskih kvadrata. U statističkim i metodološkim udžbenicima lako
je naći uputstva kako da se formiraju Latinski kvadrati za bilo koji broj usiova.
Treba naglasiti da uravnotežavanje ne ukida efekte redosleda. Ono ih samo
uprosečava i time ih eliminiše iz eksperimentalnih uslova, čime se statistički eli-
miniše i njihovo mešanje sa efektom nezavisne varijable.

B. Eksperimentalno istraživanje

Tradicionalno se kao prva, osnovna i najvažnija razlika između istraživanja

ističe razlika između eksperimentalnih i neeksperimentalnih istraživanja.
Ideja eksperimentalnog istraživanja potiče od Francisa Bacona koji se
posvetio otkrivanju metoda ili pravila saznanja koja bi obezbedila valjano naučno
otkriće uzročnosti sama po sebi, nezavisno od veštine onoga ko ih primenjuje.
Bacon je svoje namere ilustrovao rečenicom: „Jer kao što u crtanju prave linije ili
u opisivanju pravilnog kruga golom rukom mnogo zavisi od njene staloženosti i
izvežbanosti, ah ako upotrebimo lenjir ili šestar, malo iU ništa ne zavisi od
staložnosti i izvežbanosti ruke, tako je isto i sa našim metodom,” (Koen i Nejgel,
1965). Baconove metode otkrivanja uzročnosti je John Stewart Mill uobličio i
predstavio kao metode eksperimentalnog istraživanja, Mill je formalno dcfmisao
eksperiment putem nekoliko metoda (Koen i Nejgel, 1965, Rosnow i Rosenthal,
2005).
 • M etod slasania ili kanon slasania. Ako dva ili više slučajeva pojave
kojifispitujemo-tmaju samo^feđritt-zajedničku okolnost, okolnost po kojoj
se svi slučajevi jedino slažu, onda je ta okolnost dovoljan uslov pojave ko-
ja se istražuje. Na primer, ako se desetina Ijudi pojavi u ambulanti sa dija-
rejom i bolovima u želucu, istraživačemo šta je kod tih Ijudi zajedničko.
Ako utvrdimo da su svi tog dana jeli isti sladoled, i da im je to jedino
zajedničko, zaključićemo da je sladoled verovatan uzrok njihovih tegoba.
• M etod ili kanon razlike. Ako neki slučaj u kome se javlja pojava koju
istražujemo i neki drugi slučaj u kome se ona ne javlja imaju zajedničku
svaku okolnost izuzev jedne, i to one koje se javlja u prvom slučaju, ta
okolnost je nužan uslov pojave koja se istražuje. Recimo da smo krenuli
na izlet sa nekoliko prijatelja koji su nam po svemu vrlo slični (pol, uzrast,
kondicija, građa itd). Uveče se desilo dajedan od njih dobije proliv i jake
bolove u stomaku. Nakon razgovora utvrdili smo d a je jedini on jeo koba-
sicu. Ako je to jedina okolnost koja je različita od ostalih članova, smatra-
ćemo da je kobasica verovatan uzrok bolesti.
• M etodzajedničkeprom ene. Svaka pojava koja se menja na neki način
kad god se druga pojava menja na neki poseban način ili je uzrok, ili je
posledica te pojave, ili je s njom povezana nekom uzročnom vezom. Ovaj
kanon se svodi na jedno od pravila za određivanje uzročnosti (v.): pravilo
korelacije.
• M etod ostatka. Ako se u svakoj pojavi apstrahuje onaj deo za koji se
na osnovu ranijih indukcija zna da je posledica izvesnih antecendensa,
onda će ostatak pojave biti posledica ostalih antecendensa. Planeta Neptun
je otkrivena tako što su uočene nepravilnosti u kretanju planete Uran.
Kada su, na osnovu Njulnove teorijc, eliminisana dejstva Sunca i svih
poznatih plancta na kretanje Urana, ostatak nepravilnosti u orbiti pripisan
je postojanju nepoznate devete planete.

Uočljivo je da su Millovi metodi eksperimentalnog istraživanja nastali na

osnovu izučavanja uzročnosti. Treba uočiti da su prva dva kanona kvalitativna,
treći je kvantitativan, a četvrti deduktivan. Za prva dva kanona smo već ranije
rekli da predstavljaju dcfiniciju uzroka kao nužnog i dovoljnog uslova. Takode,
treći kanon, kanon korelacije, je deo savremenih nravila za odrcdivanje uzroč-
nosti (v.). U osnovi, svi ovi kanoni, definicije i pravila imaju isto poreklo (bio
autor toga svestan ili ne) i baziraju se na istom rodnom pojmu - iizročnosti. Zato,
kad god govorimo o eksperimentu, trebamo imati u vidu da je on namenjen
otkrivanju uzročne veze između varijabli. Medutim, nije ništa manje značajno da
imamo u vidu i kratku diskusiju iz uvodne glave o uzročnosti u naukama o pona-
šanju, o razlici objašnjenja i razumevanja, o naučnom zakonu i o odnosu korelaci-
je i kauzalnosti.
Koja svojstva mora posedovati istraživanje da bismo ga nazvali eksperi-
mentalnim? Prvo svojstvo eksperimenata je da su oni namenjeni utvrdivanju
uzročne povezanosti nezavisnih i zavisnih varijabli.
 Sledeće svojstvo je ckspcrimentalna manipulacija nezavisnom vari-
jablom. Putem manipulacije imamo nadzor nad vremenskim sledom nezavisne i
zavisne varijable i možemo ispitati da li je nezavisna varijabla nužan i dovoljan
uslov zavisne.
Na drugom mestu, od eksperimentalnih istraživanja se zahteva kontrola.
Da bismo bili sigumi da je baš nezavisna varijabla uzrok zavisne varijable
moramo eliminisati dejstva svih drugih mogućih varijabli. Eksperimentalna
kontrola, dakle, nije ništa drugo do nastojanje da se eliminišu sve druge varijable
koje bi mogle uticati na zavisnu varijablu. U naukama o ponašanju varijable čije
moguće delovanje želimo da eliminišemo mogu biti deskriptivne varijable (v.),
dakle neka svojstva subjekata koje istražujemo, ih sredinske varijable (draži, v.).
U narednom odeljku biće objašnjeno šta podrazumeva eksperimentalna mani-
pulacija i kontrola.
Stav savremene epistemologijc je da se najbolja kontrola postiže randomi-
zacijom (v. prethodno poglavlje). Ako neko istraživanje izučava uticaj nezavi.sne
na zavisnu varijablu tako što manipuliše nezavisnom varijablom i pri tome ostale
izvore uticaja eliminiše randomizacijom objekata, onda takvo istraživanje naziva-
mo pravim eksperimentom ili randomiziranim eksperimentom (čije bi pravo ime
bilo eksperiment sa randomiziranim grupama), a ponekad se naziva i klasičnim
eksperimentom verovatno imajući u vidu Bacon-Galileovu tradiciju u prirodnim
naukama. Ovaj tip istraživanja se u epistemološkom smishi smatra najvrednijim,
jedinim koji ispunjava Baconov ideal „omda za utvrđivanje uzročnosti” koje ne
zavisi od ingenioznosti istraživača. Međutim, kasnije će u tekstu biti objašnjeno
da randomizirani eksperimenti, pa i eksperimenti u cehni, često nisu mogući u
naukama o ponašanju, a nekada i ne daju rezuhate koji se od njih očekuju.
Nešto epistemološki slabija vrsta istraživanja su kvazi-eksperimentalna
istraživanja. Kvazi-cksperimenti imaju eksperimentalnu kontrolu nezavisne
varijable, ali nemajii randomizaciju. Da bi se nadoknadio nedostatak randomiza-
cije, odnosno pojačala eksperimentahia kontrola, kvazi-eksperimenti moraju imati
ih više grupa objekata ili više ponovljenih merenja zavisne varijable. U prvom
slučaju, najčešći oblik kvazi-eksperimentalnih istraživanja je nacrt sa neekvi-
valentnim gritpama, u kome grupe nisu birane i alocirane slučajno, a u drugom
nacrt prekimitih vremenskih serija.
Zadaci koje sebi postavljaju istraživači ponašanja su veoma brojni, razhčiti,
teški i međusobno nepomirljivi. To čcsto rezuUira eksperimentima koji se ne
mogu razvrstati ni u jedan od prethodna dva nacrta, a to znači da ne dozvoljavaju
kauzahie zakijučkc. Danas se takva istraživanja ne odbacuju, nego se njihovi
nacrti tretiraju kao pogrešni, loši ili neadekvatni zbog toga što ne poseduju
internu validnost. Dva česta i karakteristična pogrešna nacrta su: nacrt bez
kontrolne grupe sa i bez pretesta.
Spomenuli smo dijagrame odnosa u poglavlju o strukturi istraživanja, pa je
sad vreme da predočimo o čemu se radi. Tipovi istraživanja, odnosno tipovi
istraživačkih nacrta se po konvenciji ilustruju takvim dijagramima. Grafički
prikaz nacrta istraživanja se može naći u skoro svakom metodološkom priRičniku,
u različitim varijantama označavanja. Treba znati da je tradicija dijagramskih
prikaza nacrta istraživanja nastala za potrebe opisa raznih tipova eksperimentahiih
istraživanja i da svoj puni sjaj dostiže u toj oblasti. Deluje, naime, vrlo instruk-
tivno, kada se naizgled kompleksno i rafmirano istraživanje svede na jednostavan
dijagram nacrta, a to zato što je osnovna struktura istraživanja takva. Dijagrami
neeksperimentahiih istraživanja, kao što su terenska istraživanja i ankete, znatno
su manje infonnativni. Moguće je nacrtati takve dijagrame, ah su oni kod
neeksperimentahiih istraživanja trivijalni jer sadrže samo jednu grupu i samo
jedno merenje.
Pre nego što uvedemo grafičke prikaze nacrta istraživanja izložićemo neka
opšta pravila za označavanje elemenata ovih dijagrama. Pravila označavanja nisu
univerzakio prihvaćena u literaturi, ali razhke nisu velike.
• Slovom M se označavaju merenja zavisne varijable. Ako postoje razHčiti
načini merenja zavisne varijable ih merenja nekih drugih varijabli, to se označava
indeksima (npr. M, i M^). U slučajevima kada je to potrebno, merenja na eksperi-
mentalnoj grupi imaju oznaku Mg, a na kontrolnoj M^.
• Sa T se označava eksperimentalni tretman, program, odnosno eksperimen-
tahia manipulacija nezavisnom varijablom.
• Sa se označava neeksperimentalna kontrola nezavisnih varijabh, onda
kada su se one „desile” ranije u prošlosti, nezavisno od dejstva istraživača.
® Sa R se označava procedura dodeljivanje objekata grupama i dodeljivanja
tretmana grupama putem randomizacije - slučajnom selekcijom i slučajnom alo-
kacijom.
• Sa N se označava dodeljivanje ispitanika grupama i tretmana grapama bez
randomizacije, obično na taj način da se preuzmu grupe onako kako su zatečene
„na terenu”, recimo školski razredi.
• Sa P se označavaju grupe koje su fonnirane jednačenjem. Ako su grupe
slučajno alocirane (što se prepomčuje), onda će nositi oznaku Pr-
• Sa G se označava grupisanje ispitanika na osnovu neke „prirodne” grupi-
šuće varijable, kao što su pol, inteligencija, partijska pripadnost, obrazovanje.
• U dijagramima pretpostavljamo da vreme teče s leva na desno. Zato, ako su
simboli poravnati vertikalno (u istom stupcu), onda to znači da se oni dešavaju
istovremeno.
• Takode, svaki red označava jednu grupu objekata; npr. eksperimentalnu i
kontrolnu.

1. Sta se podrazumeva pod manipulacijom i l<ontrolom

Manipulacija nezavisnom varijablom u istraživanjima ponašanja obično je

ih direktna ili inscenirana. Pod direktnom manipulacijom podrazumevamo prika-
zivanje nekog materijala ispitanicima, primenjivanje zvučnih, slušnih, taktilnih i
drugih draži na čula, stimulacije raznih vrsta (hemijske i električne), stavljanje
ispitanika u posebne uslove (glad, izolacija, život i rad u grupi), potkrepljenje
svih vrsta (materijalno ili emocionalno), primenu novih zakonskih ili programskih
pravila na nekoj grupi ili instituciji itd.
Pod insceniranom manipulacijom podrazumevamo kreiranje neke veštačke
situacije koja liči na životnu, kako bi se ispitanik naveo da veruje u nju. Insceni-
rana manipulacijaje složena i za nju su istraživaču obično potrebni saradnici, koji
se nekada nazivaju instruiranim subjektima, dok se stvami ispitanici nazivaju
naivnim subjektima. Poznata su mnoga istraživanja u kojima je inscenacija imala
karakter dramskog komada, maštovita, sa smislom za glumu.
Suprotno manipulaciji je puštanje da se pojave odvijaju slobodno. Zato se
pod manipulacijom može razumeti svaka intervencija u varijable prisutne u
eksperimentu, menjanje uslova, selekcija uslova, selekcija objekata, formiranje
grupa itd.
U čemu je razlika izmedu manipulacije i kontrole i da li ona postoji? Neki
epistemolozi smatraju da je „kontrola” opštiji pojam od manipulacije i da obuhva-
ta pasivnu i aktivnu kontrolu - manipulaciju. Cattell (1966), opet, smatra da je
termin „kontrola” nejasan je r nekada znači manipulaciju, nekada držanje
konstantnim, a nekada samo zapisivanje i snimanje. Prilično čest slučaj je da se u
odnosu na nezavisne varijable koristi termin manipulacija, dok se u odnosu na
ostale, „treće” varijable koristi termin kontrola. Pri tome se podrazumeva aktivna
intervencija u nezavisne varijable i „držanje konstatnim” trećih varijabli.
Da bi se varijable držale konstantnim, po pravilu je potrebna aktivna uloga
istraživača. Recimo, on će morati da jednači grupe (v.). Ili će morati da inter-
veniše tako što će menjati osvetljenje prostorije ili nivo buke, davati placebo
kontrolnoj gnipi itd. Sve su to aktivnosti koje se uobičajeno koriste sa ciljem da
se ne dopusti da se varijable „slobodno odvijaju”, kako nezavisne, ali još češće
„trcće” varijable. Medutim, postoje mnoga istraživanja u kojima su treće varijable
bile samo merene, zapisivane ili snimane kako bi se proverilo da li su mogle da
budu izvor uticaja na zavisnu varijablu. To je vrlo pasivan oblik kontrole i Cattell
ga smatra suvišnim. Kada se kontrola povezuje sa ekstemim varijablama u ekspe-
rimentu, onda treba posebno naglasiti da je u oblasti istraživanja ponašanja prak-
tično nemoguće izolovati sve potencijalne eksterne varijable, a mnoge od njih je
nemoguće „držati konstantnim” (recimo, kada bismo od ispitanika tražili da
prestanu da dišu tokom seanse).
Dakle, pojmovi kontrole i manipulacije su veoma bliski. Mi ćemo, iz didak-
tičkih razloga, smatrati da manipulacija podrazumeva aktivnu, namerau, planira-
nu i sistematsku intervenciju istraživača na nezavisnim varijablama, dok ćemo
pod kontrolom podrazumevati intervenciju nad eksternim varijablama, obično
raanje aktivnu od manipulacije ili čak pasivnu.
Solomon Asch (1907-1996) je počev od 1951. godine sproveo niz el<sperimenata
posvećenih pritisku grupe i konformizmu. Uvodio je grupe od (uglavnom) osam članova u
manju prostoriju. Bilo im je rečeno da se radi o psihološkom eksperimentu u kome se ispi-
tuje vizuelna percepcija. Samo jedan član grupe je bio naivni subjekt, student koledža, a
ostali su bili saradnici istraživača. Naivni subjekt je, ne znajući, uvek stavljan za sto tako da
bude na pretposlednjem mestu.
 Nakon toga su grupi pokazivane dve table. Na jednoj je bila jedna vertikalna linija -
standard, a na drugoj su bile tri paralelne vertikalne linije, svaka označena slovom A, B i C.
Zadatak ispitanika je bio da, kada na njega dode red, glasno izgovori slovo ispod one linije
za koju smatra da je jednake dužine kao standard. Svakoj grupi bilo je prikazano 18 parova
tabli, sa raznim dužinama linija, a instruirani ispitanici su imali zadatak da u 12 parova
jednoglasno odaberu pogrešnu liniju.
Prethodno je Asch sproveo kontrolnu studiju tokom koje ispitanici nisu imali nikakve
druge instrukcije, osim da na papiru napišu koja je linija jednaka. Broj grešaka je bio zane-
marljiv (ispod 1%), što govori da su zadaci bili jasni i lako rešivi.
Na Aschovo iznenadenje, samo 24% ispitanika (od 50) je uvek odgovaralo tačno i
nije se povelo za mišljenjem većine. 75% ispitanika se konformiralo barem jedamput, a 28%
ih se konformiralo u najinanje 6 parova (od 12). U proseku, ispitanici su se konformirali u
37% slučajeva, okvirno rečeno u jednoj trečini.
Tokom same seanse i kasnije, tokom izlaznog intervjua, naivni ispitanici su pokazivali
veliki stepen nelagode. Pokušavali su da nadu neku racionalizaciju za svoj očigledno pogre-
šan izbor: optičku varku, pogrešno razumevanje zadatka, drugačiji ugao gledanja, a neki su
poricali da su se konformirali. Na pitanje zašto su ipak dali pogrešan odgovor, uglavnom su
odgovarali da su želeli da ugode istraživaču, da ne izgledaju inferiorno, da ne budu otpad-
nici, da se ne izdvajaju, da budu deo grupe i dr. Zanimljivo je da su neki znali da su dali
pogrešan odgovor (ali su se svesno priklonili grupi), a neki su smatrali da im se vid naglo
pogoršao i da grupa ima pravo.
Asch i mnogi kasniji autori varirali su veličinu grupe. Pokazalo se da je stopa od 1/3
konformiranja stabilna ukoliko u grupi postoje tri iii više saradnika koji jednoglasno daju po-
grešan odgovor. S druge strane, ako u grupi postoji barem jedan saveznik koji daje tačan
odgovor (grupa nije homogena), konformiranje drastično opada. Međutim, ako taj jedan
„promeni mišljenje" i konformira se, konformiranje naivnih subjekata je postajalo veće od
1/3.
Izvršene su mnoge replikacije ovog istraživanja, u manje ili više sličnoj postavci. One
su pokazale da postoji tendencija ka konformiranju, ali da je to proces koji zavisi od mnogo
faktora. Na primer, pleme Temne u Siera Leoneu, koji pripada zemljoradničkoj kulturi, poka-
zalo je veoma visoko konformiranje, dok se Eskimi, pretežno lovci i ribolovci, praktično nisu
konformirali. Konformiranje je veće kada su draži ambivalentne, a manje kada su nedvo-
smislene. Konformiranje je veće kada se grupa procenjuje kao atraktivna i kompetentna.
Konformiranje je manje ako se ispitanik oseća ,/aštićeno", npr. ako je izdvojen u boksu ili
ako može da zapiše svoj odgovor.
Aschova studija bi se po strukturi mogla razvrstati u laboratorijske eksperimente
(problematičan je jedino aspekt randomizacije). Osnovna nezavisna varijabla je broj instru-
iranih ispitanika. Treba se podsetiti da je Asch imao i kontrolnu grupu u kojoj je broj tih
saradnika bio nula. Medutim, osim veličine grupe, varirana je i njena homogenost i stepen
privatnosti u odgovaranju.
Oni koji se sećaju priče „Carevo novo ruho" prepoznaće Aschov fenomen konfor-
miranja.

2. Osnovni eksperimentalni nacrt

Najjednostavniji i najpoznatiji nacrt eksperimentalnog istraživanja se može

prikazati na sledeći način.
 Osnovni eksperimentalni nacrt, dve grupe, pre-posle

R M T M Eksperlmentalna grupa
R M M Kontrolna grupa

Randomizacija. - Kao što dijagram kaže, grupe su na početku birane i

alocirane slučajno. Formiranje i alociranje grupa putem randomizacije obezbeduje
da grupe budu statističke elzvivalentne. Vrlo poznate skraćene oznake grupa su E
\K .
Pretest. - Nakon alociranja grupa, na svakoj grupi je obavljeno merenje
zavisne varijable. Ovo merenje se naziva pretestom. Međutim, osim merenja
zavisne varijable, istraživač ovom prilikom može meriti i druge varijable za koje
misli da bi mogle imati značaja za konačnu interpretaciju (v. nacrt analize
kovarijanse). Neki autori naglašavaju potrebu da se merenja dodatnih (kontrolnih)
varijabli ne nazivaju pretestom, jer on treba da označava samo merenje zavisne
varijable. Mi ćemo to imati na umu, ali ćemo, ipak, pretestom nazivati svako
merenje koje se obavlja pre tretmana, bez obzira koje varijable se tom prihkom
mere.
Iz prikazanog dijagrama se ne može zaključiti koje varijable su merene.
Obično se, ako se želi ukazati na to da su merene još neke varijable osim zavisne,
koriste indeksi uz simbol merenja, npr. Pošto su oba M (u obe gnipe)
vertikalno poravnata, to znači da su merenja izvršena u isto vreme. Početna
merenja zavisnih varijabli se nekada moraju izvršiti pre dodele objekata u grupe
(recimo kod nacrta sa jednačenim grupama), no to ne utiče na logičku strukturu
nacrta. Takode, nije nužno da pretest za obe grupe bude tačno u isto vreme.
Medutim, zbog potencijalnog značaja faktora vremena, u dijagramu treba
naznačiti da merenja nisu bila u isto vreme (M neće biti poravnati).
Tretman. - Nakon pretesta, eksperimentalna grupa se podvrgava tretmanu
T. To može biti bilo šta: neki program savetovanja, neki tretman pomoću lekova
ili droga, trening i obuka itd. Umesto termina tretman koriste se i terminiprogram
ili uslov. Kontrolna gnipa za to vreme živi i radi kao i do tada, bez promena, ili
eventualno prima „lažni tretman”, tzv. placebo (v. poglavlje o intemoj validnosti),
ili prima neku drugi tretman, ukoliko je cilj eksperimenta da uporedi vrednost
različitih tretmaua.
Posttest. - Kada je tretman eksperimentalne grupe gotov (raa koliko trajao),
izvršava se ponovno merenje zavisne varijable (i eventualno svih drugih relevant-
nih varijabli) na obe grupe - istovremeno. Ovo merenje se naziva posttestom, pa
se i čitav nacrt često naziva pretest-posttest nacrt, ili skraćeno „pre-posle”.
Rečnikom savremene epistemologije, kombinacija randomizacije i eksperi-
mentalne manipulacije maksimizira ehperimentalnu varijansu, a minimizira
neželjenu varijansu, čime se omogućuje najtačnije i najosetljivije statističko
zaključivanje. Klasična statistička tehnika koja se primenjuje za analizu podataka
iz eksperimentalnih istraživanja je analiza varijanse (ANOVA). Staviše, Fisher je
izumeo analizu varijanse upravo za potrebe analize eksperimentalnih podataka.
Fisher je tvrdio da su statistika i nacrt istraživanja dve strane iste medalje i da
moraju biti uskladeni. Današnja shvatanja ne poriču značaj uskladenosti nacrta
istraživanja i primenjenih statističkih metoda, ah se ne insistira na tome da postoji
samo jedna statistička tehnika za jednu vrstu nacrta istraživanja, Tako se rezultati
eksperimentalnih nacrta mogu anahzirati i drugim statističkim tehnikama, kao što
su ?-testovi, korelaciona i regresiona anahza ili multivarijatna analiza.

3. Značaj poređenja u istraživanju

U osnovnom eksperimentalnom nacrtu imamo na raspolaganju dva pore-

đenja: izmedu eksperimentalne i kontrolne grupe i izmedu pretesta i posttesta. Ta
dva osnovna poređenja, kombinovana sa randomizacijom i eksperimentalnom
kontrolom nezavisne varijable, smatra se da daju „punu epistemološku snagu”
ovom nacrtu, naročito u smislu dokazivanja kauzalne povezanosti nezavisne i
zavisne varijable.
Medutim, praksa je pokazala da se svako istraživanje za sebe, i uvek
nanovo, „bori sa životom” i da su različiti neželjeni događaji pravilnost, a ne
izuzetak. Jedan od epistemološki proverenih načina da istraživač kompenzira
neželjene dogadaje i uticaje je da poveća broj poređenja. U tom cilju može
povećati broj grupa, kako eksperimentalnih, tako i kontrolnih. Isto tako, može
povećati broj merenja, bilo u pretestu, bilo u posttestu, a merenja se mogu
obavljati i tokom trajanja samog tretmana.
Na primer, na sledećem dijagramu je prikazano istraživanje sa četiri grupe
na kojima su primenjena dva tretmana (T^ i T^) u različitim kombinacijama. U
prvoj grupi su primenjena oba, u drugoj samo prvi, u trećoj samo drugi, a u
četvrtoj nijedan. U svakoj grupi su izvršena tri merenja (M^, M,, i M J. Jasno je da
se u ovakvom nacrtu može napraviti znatno veći broj poređenja, sa ciljem da se
proveri delotvornost nezavisne varijable u razhčitim grupama i vremenima. U
dijagramu, inače, nije prikazana kolona sa načinom izbora grupa, jer ona može
biti bilo randomizirana, bilo neekivalentna, bilo po prirodnoj grupišućoj varijabli,
a može biti i kombinovana.

T ix Tly M ic
M^a T2 x M^b M^c
Msa Msb Mac
^M^a M4b M4c
 Generalno se može smatrati da je nacrt koji omogućuje više poređenja, ima
veću epistemološku, odnosno saznajnu, odnosno istinitosnu vrednost od onog koji
omogućuje manje poređenja. To važi za bilo kakav tip nacrta; eksperimentalni,
kvazi-eksperimentaini ili neeksperimentalni. Nažalost, kao i uvek, ova povećana
saznajna vrednost ima svoju cenu. Naime, što je nacrt kompleksniji, što ima više
grupa i merenja, to i nacrt statističke obrade mora biti složeniji. Ponekad istraži-
vačima predstavlja nerešiv problem da koncipiraju onakvu statističku obradu koja
omogućuje ekstrakciju svili informacija koje postoje u mnogobrojnim grupama i
merenjima.

4. Smisao kontrolne grupe i pretesta

lako je, kako je prethodno rečeno, svako poređenje dobrodošlo, neka pore-
đenja u istraživanjima imaju posebnu snagu. Prosto, zdravorazumski, zaključu-
jemo da su od posebnog interesa ona poređenja koja uključuju neko početno
stanje, neki osnovni ili bazni nivo, neke vrednosti zavisne varijable koje postoje
pre početka istraživanja i bez bilo kakve eksperimentalne manipulacije.
Upravo u cilju takvih poredenja zamišljeni su kontrolna grupa i pretest. Ono
što zovemo kontrolnom grupom je invencija XX veka, iako je, naravno, ideja
kontrole eksperimentalnih uslova postojala odavno, praktično od početka razvoja
empirijske metode. Cesto se u udžbenicima sugeriše da kontrolnu grupu naziva-
mo griipom za poređenje, odnosno poredbenom grupom što sasvim ukazuje na
njeno mesto i ulogu. Tu praksu ćemo koristiti i u ovoj knjizi.
Medutim, na kontroinu grupu se može gledati na dva načina. Onako kako
smo je u ovom tekstu najčešće koristili u dijagramima i u primerinia za ilustraciju,
to je kontrolnagriipa bez tretmana. Mnogi ozbiljni metodolozije nazivaju upravo
tako (engl. no-treatment group), da bi je razlikovali od kontrolnih grupa koje
takođe primaju tretman, ali alternativan. Naime, sasvim je logično da nivoi neza-
visne varijable ne moraju biti: prisutan - nije prisutan. Kako je opisano u poglav-
Iju o složenim eksperimentalnim nacrtima, nezavisna varijabla može biti kategori-
zirana u više nivoa koji se međusobno razlikuju po stepenu ili intenzitetu
prisustva.
Nivo koji označava odsustvo nezavisne varijable (kontrolna griipa bez tret-
mana) ne mora čak uopšte biti prisutan. U tom slučaju su sve grupe eksperimen-
talne i svaka služi za poređenje sa ostalima. To će se desiti kada istraživača ne
interesuju kauzalni zaključci o tome da li nezavisna varijabla izaziva ponašanje,
nego ga interesuje kvantifikacija uticaja nezavisne na zavisnu varijablu.
Isto tako, pretest služi određivanju početnih vrednosti, ili baznog nivoa
vrednosti svih varijabli u istraživanju. Bez poznavanja baznog nivoa, svi zaključ-
ci o promenama zavisne varijable su problematični. U neeksperimentalnim istra-
živanjima, gde su nezavisne varijable poprimile vrednost pre nego što je istraživa-
nje počelo, istraživači moraju da pokažu puno inventivnosti da bi rekonstruisali
bazni nivo, odnosno supstituisali pretest merenje. Za tu svrhu se mogu koristiti
da se takvim varijablama dodeli status nezavisne varijable. M eđutim, pošto je
potrebno da se njihov uticaj na zavisnu varijablu kontroliše, često se nazivaju
kontrolnim varijablama, zbog specifične namene u okviru istraživanja (kontrole
varijanse). Tu mogu postajati dvaslučaja. Prvi je k ad aje neželjena varijabla kate-
gorijalna, sa malim brojem kategorija, pa je pogodna da bude grupišuća varijabla
(v.). Takvu varijablu merimo i na osnovu nje razvrstavam o objekte u grupe, sa
ciljem da kontrolišemo njen uticaj na zavisnu varijablu. Kontrola se obavlja tako
što se primenjuje faktorski nacrt (v.) ili tzv. ugnježdeni nacrt (engl. nested
design), pri čemu se efekti kontrolnih varijabli obično ocenjuju kroz faktore
interakcije.
Drugi shičaj je kada je varijabla intervalna - kontinuirana. Ona se može
klasifikovati u manji broj kategorija i postupak se može nastaviti kao sa grupišu-
ćom varijablom. Medutim, to nije postupak koji se preporučuje, je r se sažimanjem
gubi varijansa. Najbolje je primeniti odgovarajuću statističku tehniku namenjenu
kontinuiranim varijablama. Tada se za ove varijable obično koristi naziv
kovarijable. Efekat kovarijabli kako na nezavisne tako i na zavisne varijable se
najbolje ehminiše statistički pomoću analize kovarijanse (v. eksperimentalne
nacrte), ah se mogu koristiti i parcijalne korelacije ih višestruka regresija.
Naravno, promocija neželjene varijable u nezavisnu nije uvek primenljiva.
Treba imati u vidu da uključivanje varijabh u nacrt povlači za sobom i obavezu
da se efekti svih varijabh i njihovih inlerakcija interpretiraju. Statistički izveštaji
su mnogo duži i složeniji i taj problem je sve veći što je veći broj neželjenih
varijabh.
Peti način, korišćenje ispitanika kao vlastite kontrole, sastoji se u tome da se
odabare nacrt sa ponovljenim merenjima, nacrt randomiziranih blokova, odnosno
nacrti u kojima se posebno tretira varijansa „unutar objekata”. Ovaj metod je, u
drugom kontekstu, opisan u poglavljim a o dodeljivanju objekata u grupe i
eksperimentalnim nacrtima. U svim ovim nacrtima se koriste isti ispitanici u svim
nivoima eksperimentalnog tretmana. N a taj način je sasvim sigumo da će „grupe”
biti ujednačene jcr se radi o istim ispitanicima. Ako je moguće sprovesti ovaj tip
nacrta, kontrola neželjene varijanse će biti veoma jaka. U poredenju sa jednače-
njem po parovima, može se reći da se ova tehnika zasniva na rezonu da je svaki
ispitanik najbolje uparen sam sa sobom. Dakle, svaki ispitanik se koristi u svim
grupama, tj. kako u kontrolnoj, tako i u eksperimentalnim. Ovaj nacrt se koristi,
recimo, ii ergonomskim istraživanjima kada se proverava prilagođenost uređaja
operateru i kada svi operateri moraju da probaju sve uređaje.
Svaki od ovih načina ima dobre i loše strane. Drugi, treći i četvrti način
imaju jedan isti osnovni nedostatak - teško je znati a priori koje su varijable
važne da bi po njima ujednačih grupe. Povezan sa tim problem om je i problem
ehminacije varijabh iU nalaženja jednakih parova kada je broj varijabh veći od
jedan. Nedostaci tehnike jednačenja grupa opisani su u odgovarajućem poglavlju.
Neće smetati ako podsetimo da jednačenje grupa ima smisla jedino ako varijable
po kojima se jednači dovoljno korehraju sa zavisnom varijablom - ne manje od
0,5 ih 0,6.
 Treći način, a donekle i drugi, mogu imati problem sa generalizabilnošću
istraživanja - nalazi će biti generalizabilni samo na pojedince koji imaju ista
svojstva kao uzorak. Ako smo koristili samo muškarce - da bismo eliminisali
varijablu pol - nalazi će važiti samo za muškarce.
Peti način (ponovljena merenja) je nemoguće sprovesti kad god memorija,
učenje ili razvoj mogu imati udela u ishodu. Mogu postojati i druge praktične
smetnje za sprovođenje nacrta ponovljenih merenja. Zato ovaj način kontrole
neželjene varijanse obično nije primenljiv.

6. Pogrešni eksperimentalni nacrti

Videli smo da osnovni eksperimentalni nacrt podrazumeva dva ključna

poređenja: programskc i poredbene grupe i pretesta i posttesta. Medutim, posto-
jala su i postojaće mnoga istraživanja koja ne sadrže jedno ili drugo poredenje. U
literaturi se nacrti ovakvih istraživanja, po konvenciji, nazivaju pogrešnim,
nevalidnim ili neadekvatnim. Takvi nazivi potiču od njihove male epistemološke
vrednosti, odnosno niske interne validnosti. Na osnovu takvih nacrta se ne može
dokazati kauzalnost.
Najčešće korišćena vrsta pogrešnih nacrta je nacrt sa jednom grupoim

Nacrt sa jednom grupom, pre-posle

M T M

Na primer, ispitivan je uticaj raspoloženja ispitanika na ocenjivanje osobina

drugih Ijudi. Tokom pretesta ispitanicima je dato da ocene osobine Ijudi prikaza-
nih na shkama. Zatim im je dato da pročitaju kratku priču o detetu koje je oslalo
bez roditelja (tretman), pa im se, u posttestu, opet tražilo da ocene Ijude sa slika.
Pošto je postojala razlika u ocenjenim osobinama, donesen je zaključak da
trenutno raspoloženje utiče na to kako ocenjujemo osobine drugih Ijudi.
U ovom nacrtu se ista gnjpa poredi sama sa sobom. Postoje brojni izvori
koji mogu ugroziti internu validnost ovog nacrta. Pre svega to mogu biti: merenje,
istorija, maturacija i regresija ka proseku (v. poglavlje o intemoj validnosti).
Merenje u prctestu moglo je ispitanicima poslužiti da uvežbaju ocenjivanje
osobina na osnovu slika. Takode, mogli su se desiti neki dogadaji pre, posle ili
izmedu merenja koji su potpuno maskirali efekt tretmana, ili su, naprotiv, pojačali
njegov efekt. Ako islraživanje potraje duže, posebno ako su ispitanici mladi,
njihovi stavovi i sposobnosti se mogu promeniti zbog sazrevanja. Regresija ka
proseku je „prosta životna činjenica” da će niski skorovi na pretestu težiti da budu
viši u posttestu, a visoki skorovi niži - i jedni i drugi će težiti ka proseku.
 Međutim, ako je dobijena veličina efekta eksperimentalnog tretmana viso-
ka, a znamo da se pojava koju ispitujemo ne menja lako, uverljivost nalaza će biti
visoka.
Drugi tip pogrešnog nacrta je nacrt sa simulacijom pretesta:

Nacrt sa simulacijom pre-posie

T M
M

Kao što ime kaže, u ovom nacrtu je simuliran pretest tako što su uzeti
podaci za neku drugu grupu, za koju se smatra da je ekvivalentna eksperimen-
talnoj. Šta više, neki istraživači smatraju da su na ovakav način uveli kontrolnu
grupu u istraživanje. Drugi autori smatraju da ako su grupe odabrane randomizi-
rano, onda su one ekvivalentne, pa bi gomji nacrt u tom slučaju bio adekvatan.
Nacrt je zadovoljavajući i onda kada je varijabilnost pojave (zavisne varijable)
dobro izučena, ako se zna da ona nije visoka i ako se zna da je stabilna. Takve
varijable su, na primer, fiziološki parametri ili niži kognitivni procesi.
Međutim, čak i ako je grupa koja je odabrana za pretest stvamo ekviva-
lentna eksperimentalnoj, pravi pretest nije izvršen, niti je izvršen posttest na
„kontrolnoj” grupi, pa je intema validnost ovakvog nacrta pod znakom pitanja i
treba biti oprezan u zaključcima iz ovakvih istraživanja.
Najviše pogrešan nacrt je nacrt bez kontrolne gnipe i bezpretesta. Njegov
dijagram je sasvim jednostavan;

Z' \
Nacrt bez kontrolne grupe, samo posttest

Jednostavan primcr ovakvog istraživanja je evaluacija uvođenja novog nači-

na ocenjivanja u jednom školskom odeljenju. Novi način ocenjivanja je uveden,
nakon godinu dana izračunata je prosečna ocena i donesen je zaključak da je novi
način doprineo boljim ocenama. Ovaj zaključak je epistemološki bezvredan jer
nije postojala nikakva eksperimentalna kontrola: odabrano odeljenje je možda
uvekbilo natprosečno, ako je i postojao napredak, on je možda bio uslovljen time
što su nastavnici obraćali više pažnje učenicima u tom odeljenju, napredak je mo-
gao postojati i u dmgim odeljenjima te škole zbog poboljšanja uslova u školi itd.
Dmgim rečima, ovaj nacrt nije intemo validan.
Ovde su prikazani sasvim jednostavni dijagrami strukture istraživanja.
Medutim, što je nacrt istraživanja složeniji, to je greške lakše napraviti a teže
otkriti. Ova tri prikazaiia dijagrama su prototip grešaka u dizajniranju istraživanja
i imaju edukativni značaj. To je zbog toga što se i najsloženiji eksperimentalni
nacrti sastojc od grupa i merenja i njihovog poredenja. Ako nema pravih pore-
denja, nacrt je pogrešan (v. poglavlje o značaju poredenja).
Međutim, danas se rezultati istraživanja sa pogrešnim nacrtima ne odbacuju
praktično, čak iako su epistemološki bezvredni. Nekada jednostavno ne postoje
druge studije, nekada ova istraživanja predstavljaju podsticaj novima, a nckada
posluže za generaciju boljih i osetljivijih hipoteza. Osim toga, navedeni nacrti
mogu biti manjc ili višc pogreSni u zavisnosti od načina formiranja grupa - ako su
grupe birane da bude reprezentativnc za populaciju, onda će nalazi posedovati
barem ekstemu validnost. Isto tako, videli smo da vrednost nacrta zavisi i od
prirode zavisne varijable.

7. Ostali eksperimentalni nacrti

a. Nacrt bez pretesta

Postoje neki često korišćeni eksperimcntalni nacrti koji neniaju saznajnu

snagu kao što jc ima randomizirani cksperiment, aii koji se u savremenoj episte-
mologiji smalraju da su zadovoijavajuće intcmo validni, odnosno pogodni za
kauzalne zaključke.
Najbolji prinier takvog nacrta je je nacrt bezprctesta (engl. posttest only).

Nacrt bez pretesta

R T M Eksperimentalna grupa
R M Kontrolna grupa

Očigledno je da je ovaj nacrt potpuno ekvivalentan nacrtu randomiziranog

eksperimenta, osim što nema pretesta. Ukoliko je randomizacija obavijena korckt-
no i ukoliko su grupe dovoljno velike, može se sa velikom sigurnošću osloniti da
će one biti statistički ekvivalentne. U tom slučaju prctest nije potreban kao
proverajednakosti grupa. Iznos u kom eje nezavisna varijabla delovalanazavisnu
ćemo utvrditi na osnovu razlike izmedu i Mf. Nacrt bez pretesta može biti
pogodniji od punog ekspcrimentalnog nacrta jer: a) jednostavniji je i b) nema
opasnosti od senzitizacije (v. poglavlje o internoj validnosti). Nacrt dozvoljava da
postoji više kontrohiih grupa, sa različitim nivoom tretmana, ali i kontrolnu gnipu
bez tretmana. Zbog svega toga sc ovaj nacrt često navodi kao odlična zamena za
pravi eksperiment.
Medutim, pretest je način da se odrcdi početni nivo zavisne varijable. Taj
početni nivo nam može biti važan: a) da proverimo da li su grupe stvamo ekviva-
lentne, b) da uočimo da li je kod svih ispitanika tretman jednako delovao, c) da
kontrolišemo da li je tokom trajanja istraživanja došlo do promene u zavisnoj
varijabli (v. pretnju maturacije) ili d) da na osnovu njega ujednačimo grupe Ger se
umesto randomizacije u ovom nacrtu može koristiti jednačenje).

b. H ibridni nacrti

Hibridni nacrt su oni koji kombinuju jednostavnije eksperimentalne nacrte,

sa ciljem da se steknu neke prednosti, ili da se eliminišu njihove slabosti.
Zanimljiv takav nacrt je Solomonov nacrt, nazvan po svom tvorcu Richardu
Solomonu. Ovaj nacrt je namenjen prvenstveno otklanjanju pretnje senzitizacije.
U njemu postoje četiri grupe, dve eksperimentalne i dve kontrohie. Po jedna od E
i K gnipe ima pretest, a druga nema.

Solomonov nacrt

R M T M E grupa 1

R M M K grupa 1

R T M E grupa 2

R M K grupa 2

S obzirom da se ovaj nacrt može anahzirati kao faktorski nacrt (v. kasnije),
možemo ne samo statistički otkloniti uticaj senzitizacije, nego i tačno utvrditi da
li je i kohko je ona postojala, odnosno da H je već samo pretestiranje dovelo do
povećanja skorova u posttestu.
Epistemološka anahza pokazuje da ovaj nacrt poseduje snažnu kontrolu i
omogućuje snažna poredenja. Posebno je zanimljiva kontrolna grupa 2. Ona se
može izbaciti iz nacrta, a da preostah nacrt sa dve eksperimentalne grupe i dalje
bude epistemološki snažan za ehminaciju senzitizacije. Isto tako, zahvaljujući
drugom paru E i K gnipa, nacrt predstavlja konibinaciju randomiziranog nacrta i
nacrta bez pretesta - dva epistemološki najjača nacrta.
Sledeći interesantan hibridni nacrt je nacrt sa naizmeničnim ponavljanjima
(engl. SNvitching replicationos). U njem u se tretmani ponavljaju, ah naizmenično
na svim grupama.

Nacrt sa naizmeničnim ponavljanjem

R M T M M
R M M T M
 Ako postoje uslovi da se ovaj nacrt primeni, on otklanja neke veoma akutne
probleme eksperimentalnih istraživanja, kao što su socijalne pretnje intemoj
validnosti ili Hawthorne i placebo efekat.

c. N acrt sa random iziranim blokovima

Ovaj nacrt ne treba povezivati sa načinom formiranja grupa ili dodeljivanja

tretmana objektima, koji nose sličan naziv: randomizacija po blokovima.
Međutim, logika ovog nacrta ima sličnosti sa slučajnim stratifikovanim uzorkova-
njem, čiji je cilj takode smanjivanje varijanse u podacima. Blokovi su u ovom
slučaju homogene gnipe objekata. Ako u našem ukupnom uzorku očekujemo, ili
znamo da postoje, neke homogene podgrupe, onda se može primeniti nacrt
randomiziranih blokova sa ciljem minimiziranja neželjene varijanse. Recimo, ako
istražujemo studente, možemo pretpostaviti da studenti iste godine (jedna
kohorta, v.) imaju više medusobnih sličnosti, nego sa studentima ostalih godina.
U tom slučaju uzećemo godinu studija kao blok.

Z' ~ ^
N a crt sa ra n d o m iz ira n im b lokovim a

B lo k 1 R T M
R M
B lok2 R T M
R M
B io k S R T M
R M
B lo k 4 R T M
R M

Na dijagramu su prikazana četiri bloka, a u okviru svakog bloka je

primenjen nacrt bez pretesta. Eksperiment spolja izgleda kao običan eksperiment
bez pretesta, jedino će se u obradi podataka uvesti i varijabla bloka. Ako su grupe
homogene, odnosno ako je varijansa unutar blokova manja nego varijansa celog
uzorka, uz primenu odgovarajućeg nacrta analize varijanse (koji se baš tako zove:
nacrt randomiziranih blokova) postići ćemo veću osetljivost F-testa.
 8. Nacrt analize kovarijanse

Ovaj nacrt je često korišćen i smatra se veoma jakim nacrtom, ali zahteva
složeniji model statističke obrade. Njegov dijagram je identičan dijagramu
osnovnog eksperimentalnog nacrta. Jedino što se u okviru pretesta, osim zavisne
varijable mere i kontrolne varijable, odnosno kovarijable (v. poglavljc o kontroli
neželjene varijanse). Jedna ili više kovarijabli iz pretesta se zatim koristi za
korigovanje mera u posttestu. Podrazumevamo da je čitaocu u osnovi poznat
pojam korigovanja ili kontrolisanja, kada se jedna varijabla koriguje na osnovu
njene kovarijanse sa nekom drugom varijablom.
Na primer, ako ispitujemo efikasnost neke metode učenja, možemo kao
kovarijablu uzeti inteligeneiju. Onda ćemo mere grupa na zavisnoj varijabli u
posttestu (to će vcrovatno biti količina zapamćenog gradiva, brzina reprodukcije
ili sl.) korigovati za iznos njihove korelacije sa intehgencijom. Razliku između
grupa ćemo onda ispitati samo na onom dehi varijanse posttesta koji je preostao
nakon što je učešće intehgencije ehminisano. Na taj način smo uradih sasvim isto
što smo mogh i jednačenjem grupa po intehgenciji. Iz grtipnih razhka eliminisali
smo intehgenciju. Zato se za nacrt analize kovarijanse kaže da j e statistička
zamena za jednačenje grupa - i to vrlo efikasna zamena. Jednačenje grupa se
danas retko koristi upravo zato što postoji efikasan način statističkog jednačenja.
Kao što je rečeno za kovarijable, one u ovom nacrtu moraju biti intervalne
(zato što kovarijansa postoji samo za intervalne varijable). Medutim, šta uzeti za
kovarijablu ili kovarijable? Načelno, treba uzeti one varijable koje imaju visoku
korelaciju sa zavisnom varijabloni. Ako se uzme kovarijabla koja nisko korelira
sa zavisnom varijablom, recimo 0,20, njen doprinos varijansi zavisne varijable je
svega 4%. Zato se ne niože očekivati da će rezultati poređenja E i K grupe biti
vidljivo promenjeni nakon analize kovarijanse (najviše 4%).
Ako nastavimo sa logikom visoke korelacije sa kovarijablom, možemo
postaviti pitanje koja to varijabla najviše korelira sa posttestom? Pretest. Mere
zavisne varijable na pretestu će verovatno vrlo visoko korelirati sa nierama na
posttestu. Kakav je smisao uklanjanja doprinosa pretesta? Redukcija šuma,
redukcija neželjene varijanse, odnosno redukcija pretestnih individualnih razlika.
Skoro identičnu logiku poseduju i nacrti sa ponovljenim merenjima. Opisali smo
je u njihovom poglavlju i tamo smo rekli da uklanjanje varijanse individualnih
razlika povećava osetljivost nacrta.

9. Složeni eksperimentalni nacrti

Prvi nivo usložnjavanja eksperimentalnih nacrta sastoji se u povećavanju

broja nivoa nezavisne varijable. U dosada opisanim nacrtima nezavisna varijabla
je imala samo dva nivoa: da-ne, odnosno prisutna-nije prisutna. Ako istražujemo
uticaj potkiepljenja na postignuće, najjednostavniji nacrt imao bi dva nivoa
nezavisne varijable, recinio: bez potkrepljenja, potkrepljenje sa 1000 dinara.
 Međutim, ako nas, s pravom, interesuje da li će Ijudi stalno postizati sve bolje
rezultate što su više plaćeni, linearno, ili je povezanost nelinearna, moraćemo
uvesti više nivoa nezavisne varijable. Recimo, formiraćemo 5 grupa: bez potkrep-
Ijenja, 100 dinara, 300 dinara, 600 dinara i 1000 dinara potkrepljenja. Iz takvog
nacrta ćemo, verovatno, steći saznanje da postignuće na nekom jednostavnom
manuelnom zadataku u početku brzo raste, ali se kasnije taj porast sve više
smanjuje, što znači da sc sa malim potkrepljenjem mogu postići približno isti
rezultati kao i sa velikim.
Povezanost potkrepljenja i postignuća je, dakle, nelinearna, tzv. negativno
ubrzana, ali je još tivek monotona. Međutim, u naukama u ponašanju postoje
mnoge nemonotone povezanosti. To su one povezanosti u kojima vrednosti
zavisne varijable u početku rastu a kasnije opadaju, ili obratno. Takve krivulje se
u istraživačkoni žargonu često nazivaju obmutim (inverznim) iti pravim U-
krivuljama. U psihologiji se takve krivulje povezanosti nezavisne i zavisne vari-
jable srcću u istraživanju emocija. Recimo, povezanost straha i promene stava, ih
povezanost anksioznosti i postignuća imaju inverznu U-krivu. Kako strah počinje
da raste spremnost da se menjaju stavovi takođe raste, ali nakon toga, sa porastom
straha, spremnost za promenu stava opada.

a. F aktorski nacrli

Sledeći nivo usložnjavanja eksperimentalnog nacrta je povećavanja broja

nezavisnih varijabli. Dosada smo podrazumevali da postoji samo jedna nezavisna
varijabla. Faktorski nacrti su oni u kojima postoji više nezavisnih varijabli. U
glavama o varijabli, o dodeljivanju objekata u gnipc i o kontroli neželjene vari-
janse govori sc detaljno o opasnosti da neke varijable koje nismo kontrolisali
presudno utiču na ishod istraživanja. Ako takve ekstenie varijable kovariraju sa
nezavisnom varijablom, onda se kaže da u istraživanju postoji konfuiidacija
varijabli (cngl. confounding). Recimo, ako u cilju skraćivanja trajanja ekspcri-
menta dodelimo više cksperimcntatora da vrše merenja ili sprovode tretmane, vrlo
je verovatno da će varijabla „eksperimentator” biti izmešana sa nezavisnom
varijablom. Ako istraživanje potraje duže vremena, može se desiti da ispitanici
dobrovoljci koji su se javili na početku istraživanja budu različiti od onih koji se
prijavljuju kasnije. Iskustva su pokazala da su oni koji se jave na početku
radoznaliji, da imaju jači motiv za akademskim postignućem i da imaju unutrašnji
lokus kontrole (smatraju da njihovim životom upravljaju oni sami, a ne spoljni
faktori). Ako ove osobine utiču na zavisnu varijabhi koja se izučava u istraživa-
nju, onda postoji opasnost da se njihov uticaj pomeša sa nezavisnom varijablom.
U tom slučaju nećemo znati koja je od varijabli i koliko utieala na zavisnu
varijablu. Recimo, ako u drugom primeru eksperimentalnu grupu fomiiramo od
„ranih dobrovoljaca”, a kontrolnu od „kasnih”, onda će navedene razlike u
osobinama ličnosti biti ozbiljno izmešane sa nezavisnom varijablom.
 Zbog potencijala da se otkrije, analizira i otkloni uticaj mešanja, za faktor-
ske nacrte se kaže da su pojačavači željene varijanse ili prave varijanse, za
razliku od nacrta randomiziranih blokova, ponovljenih merenja ili analize kova-
rijanse koji su prigušavači neželjene varijanse.
0 načinima eliminisanja uticaja ekstemih varijabli govori se u poglavlju o
kontroh neželjene varijanse: randomizacija, jednačenje, držanje varijable kon-
stantnoni itd. Epistemološki najvrcdniji odnos prema ekstemim varijablama je
uključivanje u nacrt. Ekstcrna varijabla se promoviše u nezavisnu i na osnovu nje
se formiraju grupe ispitanika. U našoj standardnoj notaciji struktumih dijagrama
faktorski nacrt 2 x 2 može se predstaviti na sledeći način.

Faktorski nacrl 2 x 2

M Grupa 1

T i2 M Grupa 2

T^i M Grupa 3

T 22 M Grupa 4

Indeksima iza T označene su kombinacije nivoa nezavisnih varijabli. Posto-

jc dve nezavisne varijable i svaka ima dva nivoa - otuda naziv 2 x 2. Za
statističku anahzu podataka iz ovakvih nacrta koriste se faktorski nacrti analize
varijanse koji se dijagramski prikazuju na drugačiji način. Recimo da se radi o
eksperimentu koji ispituje uticaj rada u gmpi na intelektualno postignuće. U tom
cilju fomiirane su dve grupe (na bilo koji način) i obema je dato da rešavaju isti
test inteligencije. Medutim, ispitanici u eksperimentalnoj grupi su to radili u
tesnoj i pretrpanoj učionici, a ispitanici u kontrolnoj grupi u prostranoj prostoriji.
Zamishmo sada da smo upoznati sa nckim ranijim nalazima da na intelektualno
postignuće utiče i to da li prostorija ima prozore ili nema. Ako su ispitanici u E
gnipi bih postigli niže rezuhate, ali je njihova tesna učionica bila bez prozora
(dok je K grupa imala prozore), otkrićemo da ne znamo šta je zapravo krivac
njihovog lošijeg uspeha - gužva ili prozori. Način da to ustanovimo je da
fomiiramo faktorski nacrt 2 x 2 i da primenimo faktorsku anahzu varijanse koja
se može prikazati na sledcći način.

Prostorija bez prozora sa prozorima

tesna prosek gmjie 1 prosek grupe 2
prostrana prosek gmpe 3 prosek grupe 4

Čitalac će lako uvideti kako se faktorski nacrti mogu proširiti na više nivoa
i više varijabh: recimo 4 x 3 x 2 . Nedostatak ovakvog proširivanja je u tome što
broj kućica u matrici brzo rasle, a s time i broj gmpa. Ako želimo da grupe budu
dovoljno vcHke i da pri tomc budu jednake veličine, a posebno ako nacrt sadrži
pretest i posttest i želimo da održimo veličinu grupa unatoč pojavi morlaliteta,
veći faktorski nacrti postaju nepogodni. Postoje i nekompletni faktorski nacrti,
koji su prvenstveno namenjeni sitiiaciji u kojoj postoji jedna kontrolna grupa koja
ne prima ni jedan tretman (pa ne može da se „ukrsti” sa ostalim grupama).
In terp reta cija faktorskih nacrta. - Kod faktorskili nacrta se analiziraju i
interpretiraju dva aspekta podataka: glavni efekti i efekti interakcije. Glavni efekti
su oni efekti koje nezavisne varijable pojedinačno vrše na zavisnu varijablu.
Glavni efekti se mogu izraziti kroz povezanost nezavisnih i zavisnili varijabli, ili
kroz učešće u varijansi zavisne varijable.
Prvi i osnovni razlog uvodenja novili nezavisnih varijabli u nacrt je taj što
istraživač očekuje da nove varijable imaju moderatorski efekt. Efckti interakcije
obično im aju za cilj da te stiraju nioderatorski efekt. Ako je efekt interakcije
dve nezavisne varijable statistički značajan, onda te dve varijable skupno deluju
na zavisnu varijablu, ili jedna (moderator) deluje na drugu NV i na ZV. Efekt
interakcije ne zavisi od toga da li varijable imaju ili nemaju značajan glavni efekt.
Efekti interakcije su hijerarhijski uređeni, pa za nacrt koji ima tri varijable, A, B i
C postoje efekti interakcije A > < B , A x C , B ^ C i A > < B x C .
Cozby (2003) daje jedan ilustrativan primer mogućih ishoda u jedno-
stavnom 2 x 2 nacrtu. Prikazi sadrže tri varijable: dve nezavisne varijabe sa dva
nivoa, A i B, i zavisnu varijablu koja je kontinuirana, ZV. Svaki ishod prikazan je

A:Ne
B:Ne
B2 A x B :N e A

A: Ne
B:Da
A x B :N e ^
02 -•a
I

5 5 1 9

9 1 9 1

Slika 3. Svi mogući ishodi faktorskog nacrta sa dve nezavisne varijable.

tabelom i grafikonom. U kućicama tabele se nalaze proseci Z V u svakoj grupi, a
pored tabele su proseci za svaki nivo A ili B varijable. Proseci navedeni pored
tabele predstavljaju glavne efekte. Na grafikonu je na ordinati unesena ZV, a na
apscisi varijabla A. Dva nivoa varijable B predstavljeni su linijama, tako što su
ucrtane tačke za sva četiri proseka u kućicama, pa su onda linijom spojeni proseci
za 5 , i za 5 ,. Konačno, uz svaki ishod je upisana legenda koja kaže da li su
značajni glavni efekti {A i B )i efekat interakcije (A x B).
Prepuštamo čitaocu da analizira sve ishode i protumači ih. lako je primer
krajnje pojednostavljen i idealan - takvi čisti podaci se ne sreću u praksi - on je
tačan i informativan.
Za analizu faktorskih nacrta uopšte nije nužno da grupišuće varijable budu
nezavisne, tj. aktivne. Česti su nacrti u kojima je samo jedna varijabla nezavisna
(aktivna, manipulisana), dok su ostale varijable deskriptivne (atribut) varijable.
Na primer, u gonijein primcm sa ispitivanjem uticaja rada u grupi na postignuće,
istraživač je mogao zadržati pretqoanost prostorije kao nezavisnu varijablu, ali je
umesto varijable prozora mogao uvesti varijablu introverzije - ekstraverzije kao
drugu gnipišuću varijablu.

10. Nacrti sa ponovljenim merenjima

O ovim nacrtima diskutuje se na više mesta u knjizi. U poglavlju o dodelji-

vanju objekata u grupe objašnjeni su osnovni principi formiranja grupa za ove
nacrte, a u poglavlju o longitudinalnim istraživanjima istaknuta je kontrola fak-
tora vremena koja se vrši u ovim nacrtima.
Suština nacrta sa ponovljcnim merenjima je da se merenja obavljaju na
istim ispitanicima. To povlači za sobom potrebu da se drugačije defmiše šta je
grupa. U nacrtima sa ponovljenim merenjima postoji samo jedna grupa objekata,
ali se oni mere u više navrata. Zato „grupu” čini skup mera iz jednog merenja.
Pošto je ovde reč o ekspcrimentalnim istraživanjima, između merenja ispitanici
bivaju podvrgnuti tretmanima. Medutim, nacrti sa ponovljenim merenjima se
mogu koristiti i u neeksperimentalnim istraživanjima. U terminologiji analize
varijanse nacrti sa ponovljenim merenjima se često nazivaju nacrtima uinitar
subjekata (engl. within-suhject design), zbog toga što jedan od glavnih efekata
pripada subjektima, tj. ispitanicima.
Dosada opisani nacrti su se zasnivali na nezavisnim grupama, a epistemo-
loška pravila su nalagala da jedno od osnovnih poređenja bude izmedu eksperi-
mcntahie i kontrohie grupe. U nacrtima saponovljenim m erenjima5va^7 ispitanik
se poredi sam sa sobom, tj, isti ispitanici učestvuju i u eksperimentalnim i kon-
trohiim uslovima.
Postoje četiri osnovna razloga zbog koga se istraživači opredeljuju za nacrte
sa ponovljenini merenjima:
• potreban je manj i broj obj ekata,
• eksperimenti sa ponovljenim merenjima su efikasniji,
 • više su osetljivi zato što je varijansa unutar subjekata manja od one
između subjekata,
• omogućuju praćenje promena u ponašanju tokom vremena.
Nacrt sa ponovljenim merenjima zahteva manje ispitanika. Zato je idealan
za slučajeve kada raspolažemo samo sa nekoliko slučajeva. Takođe, u eksperi-
mentima koji se bave nekim retkini pojavama, ili za koje je potrebno da ispitanici
produ duge i skupe priprerne, vrlo je teško obezbediti dovoljno velike grupe koje
bi pri tome bile ujednačene (bilo randomizacijom, bilo jednačenjem).
Drugi razlog se tiče efikasnosti i brzine. Zamislimo eksperiment u kome se
ispituje komunikacija izmedu dve moždane hemisfere. Ispitanicima se nakralko
prikazuju kombinacije slova iz skupa AaBb, na isto oko ili na oba oka. Ispitanici
moraju odmah da odgovore da li su slova ista, kao u Aa i Bb, i!i različita, kao u
AB, ab ili Ab. Pokazalo se da ispitanici brže prepoznaju slova ako su im prika-
zana bilateralno, nego unilateralno. Barem što se tiče ovog nacrta, dve hemisfere
su bolje od jedne (ne znamo je li testirano i to da li je jedna...).
S obzirom da svaki eksperimentalni uslov traje vrlo kratko, nekoliko
sekundi, nacrt sa nezavisnim grupama, koji bi zahtevao da se promene ispitanici
kada se mcnja vrsta di aži, trajao bi znatno duže.
Treći razlog se zasniva na činjenici da će se ispitanici obično manje
razlikovati unutar svojih ponovljenih merenja, nego što bi se razlikovali u odnosu
na druge ispitanika iz kontrolne grupe. S obzirom da su ove individualne razlike
ono što ometa utvrđivanje dejstva tretmana na ponašanje (one ulaze u varijansu
koja je u imenitelju F o d n o sa^ što su one manje, to će F o d n o s biti veći, odnosno
biće osetljiviji na promene u zavisnoj varijabli koje su rezultat promena u nezavi-
snoj varijabli. Naime, „grupe” su sastavijene od istih ispitanika, pa je ujednače-
nost grupa maksimahia. Razlika između grupa potiče samo od grešaka merenja, a
ne od individualnih razlika ispitanika. Pošto se za greške merenja može očekivati
da nisu sistematske i da su manje od individualnih razlika, testiranje razlika
između gnipa je osetljivije, što znači da se mogu detektovati i mali efekti nezavi-
sne varijable. Osnovna prednost ovih nacrta je u tome što su vrlo osetljivi na
delovanje nezavisne varijable, jer je prisustvo neželjene sistematske varijanse (v.)
praktično nulto. Što je manja varijansa greške Ger se sve individualne razlike u
analizi varijanse tretiraju kao varijansa greške), to je nacrt osetljiviji. Zato su
nacrti sa ponovljenim merenjima pogodni za istraživanja u kojima se očekuju
sasvim male promene u zavisnoj varijabli.
Osetljivost 0 kojoj ovde govorimo je jednostavno verovatnoća da će eks-
periment otkriti uticajnost nezavisne varijable na zavisnu ukoliko ta uticajnost
stvarno postoji. Statistički pandan oseljivosti je moć slatističkog testa, odnosno
verovatnoća da će nulta hipoteza biti pravilno odbačena. Moć statističkog testa
zavisi od nivoa statističke značajnosti, veličine efekta i veličine uzorka (v.
poglavlje 0 testiranju statističkih hipoteza).
Nacrti sa ponovljenim merenjima se koriste i onda kada je cilj istraživanja
da se utvrde promene u zavisnoj varijabli tokom vremena. U naukama o
ponašanju su veoma česta longitndinalna istraživanja, u kojima se vrše pono-
vljena m erenja kako bi se pratio razvoj neke pojave. Za longitudinalna
istraživanja se kaže da je vreme nezavisna varijabla. U naukama o ponašanju
ponavljanje istraživanja se koristi i kada treba da se poboljša pouzdanost merenja,
ili da se odredi pouzdanost merenja. Prosek iz više merenja je pouzdanija mera od
pojedinačnih mera. U poglavlju o psihološkom merenju opisanaje metoda odredi-
vanja pouzdanosti putem testa i retesta.
Kada je reč o korišćenju ponovljenih merenja sa ciljem povećavanja ili
ocenjivanja pouzdanosti, većina autora se slaže da se ne radi o nacrtima sa
ponovljenim merenjima. Međutim, ne postoji saglasnost ni o tome da li nacrt sa
ponovljenim merenjima treba da se klasifikuje kao longitudinakio istraživanje.
Sve u svemu, u oblasti longitudinalnih istraživanja postoji izvesna terminološka
konfuzija. Neki autori smatraju da je nacrt sa ponovljenim merenjima jedan od
eksperimentalnih nacrta i da se ne može drukčije razvrstati. Ti autori imaju pravo
utoliko što se puna saznajna snaga i sve prednosti ovog nacrta pokazuju u ekspe-
rimentu. Međutim, eksperimentahii nacrt (manipulacija nezavisnom varijablom)
pojačava snagu i drugim istraživačkim elementima, recimo poređenju pretesta i
posttesta ili poređenju grupa.
Zato smatramo da ne postoje razlozi, ni epistemološki ni statistički, koji
sprečavaju da se nacrt sa ponovljenim merenjima koristi i u neeksperimentalnim
isto kao u eksperimentalnim istraživanjima. Smatraćemo, dakle, da je on jedan od
dominantnih nacrta longitudinalnih istraživanja, kao što su istraživanja razvoja u
psihologiji.
Osnovni nedostatak nacrta sa ponovljenim merenjima je taj što se ispitanici
uzastopno podvrgavaju tretmanu po utvrdenom redosledu. Zbog toga prethodni
tretmani mogu da dehiju na učinak narednih. Cela ta pojava se naziva efektom
redosleda ili sekvencijalnim efektom. Postoji nekoliko glavnih vrsta efekta redo-
sleda. Prva vrsta je efekat vežbanja. Ispitanici mogu poboljšavati svoje odgovore
zbog toga što ih ponavljanjem usavršavaju. Druga vrsta je efekat zamora i deluje
upravo suprotno od efekta vežbe. Ispitanici, prosto, imaju sve slabiji učinak jer se
zamaraju ili im postaje dosadno. Situaciju pogoršava to što kod nekih ispitanika
može delovati vežba, a kod nekih zamor. Uzmimo da ispitujemo uticaj potkreplje-
nja na učinak tako što dajemo deci da igraju video igre i da ih u svakom trei;manu
različito potkrepljujemo za uspeh ili za neuspeh. Deca kojima je ta igra nova
mogu manifestovati efekt vežbe, dok će deca koja su je ranije igrala pokazivati
efekat zamora.
Može postojati i efekat kontrasta, ako recimo ispitanicima puštamo prvo
fihTi sa prizorima žestokog nasilja, nakon koga im scene krađe u samoposluzi
izgledaju bezazlene, dok bi sasvim drugačiji utisak imali da su filmovi bih pušteni
drugim redosledom.
Da bi se neutralisao efekat redosleda, na pp/om mestu efekat vežbe, koriste
se tehnike uravnotežavanja, odnosno balansiranja. Međutim, uravnotežavanjem
se ne izbegavaju efekti redosleda, nego se uprosečavaju. Na taj način se izbegava
da se efekti redosleda mešaju sa efektom nezavisne varijable. Tehnike uravno-
težavanja su opisane u poglavlju o dodeljivanju objekata.
 Postoje još neka ograničenja u primeni nacrta sa ponovljenim merenjima.
Na primer, neke varijable se ne mogu istraživati u nacrtu sa ponovljenim
merenjima. Takve varijable su, na primer, starost i pol. Osoba koja ima 50 godina,
ne može imati prvo 20 (iako bi se za ovu grupu veoma lako dobila informisana
saglasnost za učestvovanje), pa 30, pa opet 50. Životinje kod kojih je izazvana
lezija mozga ne mogu više učestvovati u tretmanu koji predviđa da se zdrave
životinje podvrgnu anesteziji. Ovaj primer nam ukazuje i na to da nacrt sa pono-
vljenim merenjima nije pogodan za tzv. ireverzibilne zadatke. To su oni zadaci
kod kojih postoji opasnost da će ih ispitanici ovladati već nakon prve primene, tj.
da će dostići plafon u izvođenju, te da bi naknadno zadavanje bilo beskorisno.
Ovaj probiem se delimično može prevazići zadavanjem altemativnih (različitih)
zadataka i tehnikom uravnotežavanja.

C. Kvazi-eksperimentalno istraživanje

Kvazi-eksperimentalna istraživanja se danas smatraju zasebnom vrstom

istraživanja sa precizno utvrđenim svojstvima. Osnovna ideja kvazi-eksperimen-
tahiih nacrta je da se u uslovima kada nije moguće postići nivo kontrole koji
imaju eksperimentalni nacrti, ta kontrola što više aproksimira tehnikama koje
stoje na raspolaganju” .
Postoji opšta saglasnost da su to istraživanja u kojima postoji m anipulacija
nezavisnim varijablam a, ali ne postoji random izacija u selekciji ispitanika i
alokaciji tretmana. Doduše, manipulaciju nezavisnim varijablama u kvazi-ekspe-
rimentalnim istraživanjima treba defmisati šire i slobodnije. Ona ne mora biti
direktno sprovedena od strane istraživača, u obliku neke njegove direktne akcije.
Manipulaeiju mogu predstavljati nove mere ministarstva prosvete, neki društveni
događaj, primena neke nove terapije itd. Važno je samo da manipulacija bude
jasno vremenski defmisana i konkretna, kao neki uslov u kome se našla eksperi-
mentalna grupa.
Da bi nadoknadili nedostatak randomizacije, koja je u celini najbolji način
kontrole neželjene varijanse, kvazi-eksperimenti insistiraju na višestrukim mere-
njima. Sasvim. jednostavno, da bi neko istraživanje bilo kvazi-ekperimentalno
mora zadovoljavati jedan od sledeća dva uslova: mora imati najmanje dve grupe
(npr. eksperimentalnu i kontrolnu) ili mora postojati više merenja (više od jednog
pretesta i posttesta).

” Sam naziv promovisali su Campbell i Stanley 1963. godine. Ova dva autora, poseb-
no Donald T. Campbell i njegovi naslednici, detaljno su analizirali kvazi-eksperimentalna
istraživanja i doprineli njihovoj populamosti. Campbell je, takođe, poznat po invenciji
pojmova konvergentne i diskriminativne validnosti.
 Raison d'etre kvazi-eksperimentalnih istraživanjaje, zapravo, nemogućnost
randomizacije ili nemogućnost pribavljanja kontrolne grupe uopšte - situacija
koja je česta u istraživačkoj praksi. Često je teško, ili čak neizvodivo slučajno
biranje objekata, ili slučajno alociranje objekata u grupe, ili je takvo biranje i
alociranje neetično. U takvim slučajeviina preporučuje se primena kvazi-eksperi-
mentalnihnacrta koji predstavljaju metodološki fundiranu, „prvu zamenu” pravog
eksperimenta. Isto tako, dešava se da kontrolna grupa ne može da postoji, ih nije
uverljiva. Na primer, ako sprovodimo terenski eksperiment u kome proučavamo
delovanje novih zakonskih propisa na bezbednost saobraćaja, ne možemo jedan
deo stanovništva izuzeti od primene zakona kako bi nam služio kao kontrola.
Ako ne možemo da sprovedemo randomizaciju, saznajni potencijal istraži-
vanja možemo povećati tako što ćemo uzeti više grupa kako bismo njihovim
poređenjem eliminisali mogućnost da su postojeće razlike između gnipa dovele
do razlikau zavisnoj varijabli. Možemo nastojati da grupe, iako nisu randomizira-
ne, ipak budu što ujednačenije. Na primer, ako grupe formiramo od postojećih
razreda u školi, one će biti ne-randomizirane, dakle neekvivalentne. Stvar se
može poboljšati tako što će svaku grupu činiti više razreda iste, ih još bolje,
različitih škola. lako ovde nije mesto za to, ukazaćemo i na mogućnost da svaka
gmpa sadrži jedan razred, ali da varijablu razreda ili škole uključimo u faktorski
nacrt (v.), pa da vidimo da li ona kao efekt deluje i da li deluje u interakciji.
Takode, ako ne možemo da imamo kontrolnu grupu, moraćemo eksperi-
mentalnu gmpu da merimo više puta kako bismo vremenski pratili promene
zavisne varijable i uverili se da su te promene rezultat delovanja nezavisne
varijable. Da bi se epistemološki (saznajni) kvalitet kvazi-eksperimenta podigao
na što viši nivo, istraživač mora uraditi sve da on što više hči na pravi eksperi-
ment ” da grupe budu što shčnije, da ih bude što više, kao i da postoji što više
merenja kako bismo mogli napraviti što više poređenja.
Ipak, osnovna razlika kvazi-eksperimenta i pravog eksperimenta, nedostatak
randomizacije, ne može se sakriti, pa se za kvazi-eksperimente smatra da imaju
nižu intemu validnost (v. kasnije).
Kvazi-eksperimenti se često koriste u terenskim uslovima, kao primenjena
i evaluaciona istraživanja. Terenski uslovi su glavni razlog zašto se u istraži-
vanjima ne može sprovesti randomizaeija. Gmpe objekata koje se koriste u kvazi-
ekspcrimentima obično su takve da se za njih može reći da se biraju same, odno-
sno da ih ne alocira istraživač. N a primer, eksperimentalnu grupu čine deca iz
jednog razreda, a drugu iz dmgog, ili eksperimentalnu gmpu čine studenti dobro-
voljci, a kontrolnu grupu ostali studenti, jednu grupu predstavlja jedna opština, a
drugu druga itd. Grupe mogu predstavljati i kohorte (v. kasnije).
 1. Nacrt sa neekvivalentnom kontrolnom grupom

Ovaj nacrt je najpoznatiji kvazi-eksperimentahii nacrt, a pri tome je,

verovatno, dominantan nacrt u društvenim istraživanjima kada ona pokušavaju da
liče na eksperimentalna.

Kvazi-eksperimentalno istraživanje sa
neekvivalentnim grupama

N M T M E grupa
N M M K grupa

Iz dijagrama se vidi da je on u svemu jednak osnovnom eksperimentalnom

nacrtu, osim po slovu N umesto R. To znači da su verovatno odabrane grupe kako
su zatečene na terenu, kao što su dva odeljenja u školi, dva sprata u domu, dve
opštine i sl. Objekti nisu imali jednaku verovatnoću da uđu u neku od grupa i nisu
imali jednaku verovatnoću da budu izloženi tretmanu ili da ne budu. Zbog toga ne
možemo da tvrdimo da su grupe ekvivalentne po svim svojstvima koja su rele-
vantna za odnos nezavisne i zavisne varijable.
Međutim, zdrav razum nalaže da istraživač učini sve da bi grupe bile
međusobno što sličnije, jer što se gnipe više razlikuju u početku, teže će biti
pripisati razlike na posttestu delovanju tremana-programa. Nekada se u literaturi
može pročitati preporuka da se ekvivalentnost grupa obezbedi nekom od tehnika
jednačenja grupa (v. poseban odeljak). Na drugim mestima se može pročitati da
treba koristiti statistički ekvivalent jednačenju grupa, a to su tehnike parcijalnih
korelacija iii analize kovarijanse. Čak se kvazi-eksperimenti nekada nazivaju
nacrtima sa analizom kovarijanse.
Ovde stojimo na stanovištu da ako se grupe fonniraju na osnovu jednačenja,
onda se dobija pravi eksperiment jer je u poglavlju u jednačenju gnipa istaknuto
da ono u nekim slučajevima funkcioniše bolje od randomizacije. Drugi razlog
zašto ne treba povezivati kvazi-eksperimente sa jednačenjem grupa je to što je-
dnačenje u terenskoj primeni stvara slične tehničkc preprckc kao i randomizacija
- na primer, trebali bismo premeštati učenike iz jednog odeljenja u drugo.
Naravno, zaključci kvazi-eksperimenta će biti interno validniji ukoliko su
grupe sličnije. U tom smislu treba preduzeti sve što je moguće. Na primer, ako se
biraju školska odeljenja treba uzeti ona koja su slična na osnovu mišljenja nastav-
nika ili direktora, da budu slična po prosečnom uspehu, socijalnom poreklu itd.
Ključni doprinos kontroli ekvivalentnosti grupa je pretest. Tokom pretesta
se redovno meri zavisna varijabla, ali se mogu meriti i druga svojstva ispitanika.
RazHke u početnom nivou zavisne varijable i kontrolnih varijabh se kasnije mogu
uključiti u analizu rezultata putem analize kovarijanse. Upravo na osnovu posto-
janja kontrolne grupe (ma kakva bila) i pretesta, Campbell i Stanley su tvrdili da
je kvazi-eksperiment najbolja zamena za pravi eksperiment.
Međutim, dovitljiv istraživač može iskoristiti nejednakost grupa da ispita
uticaj tih razlika na zavisnu varijablu. U tom slučaju se nacrt neekvivalentnih
grupa može kombinovati sa nacrtom u kome se dodatne grupe formiraju na osno-
vu one varijable po kojoj se izvome grupe razlikuju. Recimo da smo primetiH da
nam se E i K grupe razlikuju po polu, a očekujemo da bi efekt pola mogao da
bude pomešan sa efektom nezavisne varijable. U tom slučaju ćemo u svakoj od E
i K grupa fomirati i grupe po polu. Na primer, učenike u dva prigodno izabrana
razreda (biranje tipa N) možemo dalje podeliti na muške i ženske (biranje tipa G).
U tom slučaju, u rubrici alokacije imali bismo prvo N, a zatim u podgrupama i G.

2. Nacrt prekinutih vremensl<ih serija

Ovaj poznati nacrt se koristi kada ne možemo da imamo kontrolnu grupu.

Da bi se to nadoknadilo, u ovom nacrtu je predvideno da se izvrše višestruki
pretesti i višestniki posttesti.

Kvazi eksperimentalno istraživanje sa prekinutom

vremenskom serijom

M, M2 M3 T M4 Mg Mg

Smisao naziva ovog nacrta je u tome što želimo da utvrdimo da li je naš

tretman T prckinuo vremensku seriju koja je utvrđena u merenjima M ,, i M3
i da h merenja M j, M ; i M<, pokazuju da nakon tretmana postoji drugačiji trend.
Broj merenja nije ograničen ni u pretestu ni i posttestu, a preporučuje se da ih
bude što više, čak i 20. Izbor grupe objekata na kojima se vrše merenja nije bez
značaja. Najbolje je da grupa bude reprezentativna za popuhiciju na koju se
odnosi zavisna varijabla, da poseduje dovoljnu varijabihiost itd.
Sva longitudinahia istraživanja predstavljaju statističku glavobolju za istra-
živače. lako postoje modeli za obradu ponovljenih merenja i vremenskih serija,
izbor pravog modela i pravih parametara po pravilu prevazilazi mogućnosti druš-
tvenih istraživača. Medutim, u nacrtu prekinutih vremenskih serija će vrlo infor-
niativan biti već običan grafički prikaz u kojem su na apscisi unesene vremenske
tačke u kojima su vršena merenja, a na ordinati vrednosti zavisne varijable. Kada
se u takav grafikon unesu rezuUati merenja i povežu linijom dobiće se linija
trenda. Ako je uticaj tretmana značajan, biće lako uočiti prelom (koleno) u liniji
trenda.
Na primer, istraživača može interesovati da li objavljivanje slučajeva krađe
u robnim kućama, sa imenom i prezimenom osobe, utiče na sinanjenje krada.
 Recinio da je takva mera uveđena na nivou grada u glavnom dnevnom listu. S
obzirom da postoje evidencije krada u robnim kućama i policiji, istraživač može
jednostavno uneti mesečni broj krađa u pomenuti grafikon i ucrtati vertikalnu
liniju na mestu kada je uredba počela da važi. Ako linija pokazuje pad, mera je
uspela. Zaniniljivo je da se takva mera stvarno pokazala efikasna u slučaju krada
u prodavnicama, ali nije u slučaju saobraćajnih prekršaja i vožnje u pijanom
stanju. Razlog je verovatno u tome što voziti pijan nije sramota, a krasti u
prodavnicama jeste. Treba uočiti još dve karakteristike istraživanja iz ovog
primera: ono je evaluativno (evaluira program borbe protiv krada) i zasniva se na
arhivskim (sekundarnim, v.) podacima.
Prikazani dijagram se nekada naziva prostom prekinutom vremenskom
serijom zato što se nacrt može učiniti i kompleksnijim. Kao prvo, ponavljanja
mogu biti kombinovana sa više tretmana (npr. M M T M M T M M), sa ciijem
da se detaljno analizira uticaj i trajnost uticaja nezavisne varijable na zavisnu.
Dnigo, može se uvesti i kontrolna grupa (u ovom slučaju neekvivalentna,
jer bismo u protivnom imali pravi eksperiment). N acrtprekinute vremenske serije
sa tieekvivalemnom kontrobiom grupom ]s epistemološki vrlo jak, blizak pravom
eksperimcntu, jer omogućuje poredenje trenda sa kontrolnom grupom koja nije
primila tretman.
Postoje i dnigi specifični kvazi-eksperimentalni nacrti: npr. nacrt sa
regresionim diskontinuitetom (kada se alokacija ispitanika u grupe vrši na osnovu
neke prelomne tačke u zavisnoj varijabli), kada se vrednosti pretesta utvrduju na
nekoj drugoj grupi (recimo iz nekih ranijih istraživanja, ili iz druge zemlje), ili se
vrednosti pretesta utvrđuju nakon posttesta (na osnovu sećanja ispitanika ili
arhivskih podataka) itd.

D. Laboratorijski i terenski eksperiment

U poglavljima o eksperimentalnim i kvazi-eksperimentalnim istraživanjima

taksonomija istraživačkih nacrta izvedena je na osnovu formalnih aspekata istra-
živanja, pri čemu su ti formalni aspekti primamo izvedeni iz odlika eksperimen-
talnih istraživanja - grupe, merenja, tretmani itd. Međutiin, taksonomiju je
moguće izvršiti i na osnovu mnogih dnigih aspekata. Jedan od tih aspekata je
mesto odvijanja eksperimenta: laboratorija ili teren.
L aboratorijski eksperim ent. - Laboratorijski eksperimenti se sprovode u
gluvim sobama, sobama sa jednosmernim ogledalima i drugim prostorijama sa ili
bez posebnih uredaja za manipulaciju nezavisnim varijablama i merenje reakcija.
Smatra se da je kontrola neželjene varijanse u ovim uslovima najveća. Naravno,
da podsetimo, osim kontrole spoljnih uslova, trajanja, načina merenja zavisne
varijable, načina kontrole nezavisne varijable i sl., presudna kontrola u
istraživanjima je ona koja se postiže randomizacijom. Laboratorijski eksperimenti
i u tom pogledu imaju prednosti, je r se u njima lakše sprovodi i kontroliše ran-
domizacija ispitanika.
Osim kontrole neželjene varijanse, mnogi eksperimenti su vezani za labora-
torije jer koriste takve merne procedure i procedure eksperimentalnog tretmana
koje zahtevaju posebnu aparatum. Laboratorijski eksperimenti se koriste kada su
zavisne varijable fiziološki parametri, psihofizička svojstva čula, EEG ili EKG,
snaga i brzina, odnosno kada se konstrukti koji predstavljaju zavisne varijable
mogu operacionalizovati tako da budu merljivi na fizičkom nivou. Ovaj uslov je
prc logistički ncgo epistemološki, ali je od presudne važnosti u ispitivanjima čula,
psiho-fiziologije, ergonomije itd. U ergonomskim istraživanjima, npr., prirodno je
da se efekti dizajna alata, intrumenata i uređaja, kao i organizacije radne okoline
mogu najbolje oceniti eksperimentalno, u laboratoriji, mereći brzinu reakcije,
produktivnost rada, broj grešaka ili umor.
Nisu samo eksperimentahia istraživanja ona koja se mogu sprovoditi u
„laboratorijama”, tj. u posebnim prostorijama. Kada god se prikupljaju podaci o
ispitanicima ili grupama, to se može uraditi u prostorijama instituta i fakulteta
umesto na terenu, tamo gde oni žive ili rade. Međutim, uticaj mesta prikupljanja
podataka, recimo da li se intervju vrši u kući ispitanika ili u kancelariji istraživa-
ča, kod neeksperimentalnih istraživanja nije veliki. Osim toga, istraživač u
neeksperirnentalnoj studiji inia veće i bolje mogućnosti da neutrališe uticaj nepri-
rodne okoline; da sesiju počne neobaveznim razgovorom, a da tokom razgovora
ponudi kafu ili sok. Tačnije, preporučuje se da se takve mere „opuštanja” preduz-
mu uvek kada ispitanike dovedemo na njima tudu teritoriju i situaciju. To je
dobro i za eksperimentalno i za neeksperimentalno istraživanje. Međutim, kod
ovog prvog kafa i sok neće pomoći ispitaniku da zaboravi na elektrode i senzore
koje smo mu prikačili, ili da ne obrati pažnju na vađenje krvi.
Muzafer Sherif je 1935. godine počeo sa nizom laboratorijskih eksperimenata u koji-
ma je ispitivao proces formiranja grupnih normi. Kao draž je u eksperimentima koristio tzv.
„autokinetički efekt". To je pojava da ako u potpunom mraku gledamo u jednu svetlosnu
tačku, imamo utisak da se ona kreće, iako stoji. Ljudi se, iz nekog razloga, razlikuju u pogle-
du toga koliko „kretanja” svetlosne tačke opažaju - neko više, neko manje. Sherif je ispita-
nicima davao da posmatraju svetlosnu tačku u mračnoj komori sa distance od oko 51 cm.
Nakon toga je svaki ispitanik na prigodnom upitniku upisivao koliko se, po njegovom sudu,
tačka kretala. Individualne procene su se drastično razlikovale i kretale su se od jednog do
preko deset inča. Nakon toga su ispitanici „radili u grupama" od po dvoje, troje ili četvoro.
Pokazalo se, da kada rade sa još nekom osobom, ispitnici vrio brzo konvergiraju u proceni
kretanja tačke.
Procene, po pravilu, nisu konvergirale ka proseku individualnih procena, nego ka
proceni jednog od učesnika. Pošto je bilo formirano vise grupa, njihove „grupne procene"
(grupne norme) su bile različite. Što je grupa bila veća i konvergencija je bila veća, odnosno
svi bi članovi usvajali jednaku procenu. Dalje, nakon što je grupna procena donesena,
ispitanici su se nje pridržavali, individualno, u ponovljenim eksperimentima, čak i godinu
dana posle. Ako se nakon nekog vremena ispitivanje ponovi na dva ispitanika iz različitih
grupa, oni sporo konvergiraju, Međutim, generalno, kada bi se formirale nove grupe od istih
 ispitanika, one bi ipak ponovo fortnirale svoje norme, Ispitanici čije su individualne procene
bile jako različite od grupne norme, nalazili su razna opravdanja za promenu stava i neretko
su iskazivali neprijatnost zbog promene stava.
Postavlja se pitanje šta je u ovom laboratorijskom eksperimentu nezavisna, a šta
zavisna varijabla. Nezavisna varijabla je broj članova u grupi koji se kretao od 1 do 4.
Nlaime, to je jedina varijabla koja je varirana, odnosno manipulisana od strane eksperi-
mentatora - sve ostale su držane konstantnim, tj. kontrolisane. Zavisna varijabla je procena
kretanja svetlosne tačke (tačnije stepen autokinetičkog efekta), ili još tačnije, individualne
razlike u toj proceni.

Valja skrenuti pažnjii da se u laboratoriji mogu sprovoditi i neeksperi-

mentalna istraživanja, pa čak i ona koja su eksplorativna. To se dešava onda kada
merenje varijabli zahteva složenu aparaturu, zbog čega je neopliodno da se
ispitivanje obavi u laboratoriji. Ovakvi primeri nisu česti iz jednog prostog razlo-
ga. Nairae, kad istraživač već mora da angažuje laboratoriju, kao jedan skup
resurs, on će želeti da istraživanje bude takvo da omogućuje kauzalne zakijučke
ili barem predikciju, a ne samo deskripciju pojave.
T erenski eksperim ent. - Na engleskom se takvi eksperimenti nazivaju
„field experiments”. Ova istraživanja se sprovode u manje-više prirodnim uslo-
vima, ponekad tako da ispitanici nisu svesni da učestvuju u istraživanju. U tim
istraživanjima je moguće potpuno očuvati formalnu strukturu klasičnog eksperi-
menta - randomizaciju i eksperimentalnu kontrolu varijabli - a razlikuju se od
laboratorijskih istraživanja po manjem stepenu kontrole ostalih, eksternih varija-
bli. Važno je uočiti da koristimo termin „stepen”, jer bi se po stepenu kontrole
neželjene varijanse mnoga dosadašnja istraživanja mogla svrstati negde između
laboratorije i prirodnih uslova.
Terenski eksperimenti, ipak, imaju standardne probleme oko randomizacije
jer je u prirodnim uslovima teško održati okupljene uzorke slučajno odabranih
osoba. Ako se eksperiment sprovodi u školi ili fabrici, teško je radnike i dake
izdvajati u posebna odeljenja, kako bi grupe bile ujednačene. Najprirodnije je da
se uzmu odeljenja (radna ili školska) koja već postoje, ali ona u tom slučaju neće
predstavljati probabilistički ekvivalentne, nego ne-ekvivalentne grupe. Pošto su
terenski eksperimenti obično primenjena istraživanja (v. kasnije), ispitanici u kon-
trolnoj grupi se često osećaju oštećcnima, ili jesu oštećeni, jer se na eksperimen-
talnoj grupi primenjuje neki novi metod, tretman, lek ili organizacija rada. Zbog
toga se članovi kontrolne grupe osipaju.
Na terenskim eksperimentima se obično insistira onda kada se želi postići
visoka eksterna validnost, odnosno generalizabilnost rezultata. Terenski eksperi-
menti su dobar odgovor na taj zahtev zato što nisu opterećeni artefieijelnošću ih
izazivanjem straha kod ispitanika, zbog čega više liče na situacije svakodnevnog
života.
Primer jednog terenskog eksperimenta bi bio istraživanje ponašanja Ijudi
koji čekaju u redu ispred nekog šaltera. Saradnici istraživača mogu u nekim redo-
vima izazivati probleme tako što će ulaziti preko reda, a u drugim tako što će
ometati red (npr. stajaće i neće se pomerati). Pri tome, saradnici mogu imati razli-
čita svojstva koja su bitna za reakcije drugih Ijudi: pol, starost, majka sa detetom
ili slično. Svojstva saradnika i njihovo ponašanje su nezavisne varijable, a zavisne
varijable su reakcije ostahh učesnika u redu, prikupljene posmatranjem, inter-
vjuom ili upitnikom. Saradnici istraživača su karakteristika mnogih terenskih
eksperimenata.
Terenski eksperimenti se često koriste u socijalnoj psihologiji, pedagogiji,
pedagoškoj psihologiji, kad god se anahzira ponašanje Ijudskih grupa i uticaj
spoljnih uticaja na grupu, kao i grupe na pojedinca. U poglavlju o igranju uloga
demonstrirana je jedna situacija koja potpuno podseća na terenski eksperiment,
iako je njen cilj bio praktičan, a ne istraživački.
P oređenje laboratorijskih i terenskih eksperim enata. - Generalno
rečeno, laboratorijski eksperimenti su holji za kontrolu neželjene varijanse, dok
su terenski eksperimenli bolji u maksimiziranju eksperimentalne varijanse.
Naime, uočeno je da arteficijelnost laboratorijskih istraživanja ometa spontani
razvoj i ispoljavanje promena u ponašanju. Efekat eksperimentalnog tretmana će
biti veći u prirodnim uslovima.
I konačno, zbog bolje kontrole svih varijabli, laboratorijski eksperimenti
imaju bolju internu validnost (v.), a lošiju ekološku i eksternu validnost (v.). Zbog
omogućavanja prirodnog ponašanja učesnika terenski eksperimenti imaju bolju
eksternu i ekološku validnost, a lošiju internu validnost. Problem sa ekstemom
validnošću laboratorijskih eksperimenata će svakome biti jasan ako podsetimo da
su mnogi vršeni na životinjama i da su se generalizacije na Ijude često pokazale
pogrešnima a uvek je ostajala sumnja u to da li su generalizacije sa životinja na
Ijude ispravne.
Laboratorijski eksperimenti imaju često drugačije ciljeve od terenskih
eksperimenata. Oni su mnogo češće bazična istraživanja ili fundam entalna istra-
živanja koja imaju za cilj samo da se razume pojava, da se otkriju povezanosti,
utvrde uzroci ili da se proveri neka teorija. Za razliku ođ njih, terenski eksperi-
menti su češće primenjena istraživanja, koja se takode bave istraživanjem uzroka
i razumevanjem pojava, ali sa prevashodnom namerom da se ti uzroci ili pojave
koriste za poboljšanje postojećeg stanja. Zbog svoje orijentisanosti na bazične
ciljeve, za laboratorijske eksperimente ponekad uopše nije važna eksterna
validnost, jer imaju sasvim određen cilj, recimo proveru neke psihološke teorije.
Zbog svog primenjenog karaktera, neki su terenski eksperimenti, posebno u
formi socijalnih eksperimenata, imali ogromne društvene posledice. Takvi
eksperimenti su vršeni posebno u SAD i obuhvatali su izgradnju novih gradova,
resocijalizaciju otpuštenih zatvorenika, način ishrane stanovništva tokom drugog
svetskog rata, tv-serije za odrasle i za decu (posebno se ističe primer tv-serije
„Ulica Sezam”) itd. Naravno, ovakvi elcsperimenti su ogromni u pogledu resursa
koje su angažovali: Ijudskih, novčanih, vremenskih. Za razliku od takvih teren-
skih eksperimenata, laboratorijski eksperimenti uglavnom imaju mali ili nikakav
uticaj, osim na živote učesnika i istraživača.
Za svaki eksperiment, generalno, može se reći d aje lako primenljiv u nekim
oblastima, dok je u drugim oblastima nemoguć, teško sprovodljiv, ili etički ne-
prihvatljiv. Eksperimenti u kojima bi tretman mogao dovesti do štete ispitanicima
nisu moralno ispravni. U svakom eksperimentu, bio on laboratorijski ili terenski,
može doći do Hawthome ili placebo efekta npr., čime će biti umanjena njegova
eksterna validnost. Zbog toga je razlika u generalizabilnosti, koja ide u korist
terenskih eksperimenata, samo razlika u stepenu.
Ima autora koji smatraju da je posebno plodna kombinacija laboratorijskih
i terenskih eksperimenata, je r se kombinovanjem dobijaju dobre strane oba tipa.
Kombinovanje može biti stvarno i neposredno, ah može biti i u obhku meta-
analize (v.). Vrlo zanimljivo meta-anahtičko istraživanje navodi Cozby (2003). U
tom istraživanju autori su našh 38 parova objavljenih eksperimenata, među
kojima se svaki par eksperimentalno bavio istim varijablama, ah jedan član u
laboratoriji, a drugi na terenu. Teme su obuhvatale agresivnost, pomoć, memoriju,
stil rukovodenja i depresiju. Vehčine efekta su bile veoma shčne i zaključci tih
studija se nisu značajno razhkovah. Iz toga jc izvučen zaključak da su rezuhati iz
ova dva tipa istraživanja više komplementami nego kontradiktorai.
Navešćemo eksperiment Philipa Zimbardoa'* koji je po formi bio labora-
torijski i koji je stekao svetsku slavu iako je zapravo bio prekinut.
Eksperiment se oficijelno bavio deindividuacijom u grupi, za koju se smatralo da je
uzrok destruktivnom ponašanju gomile, Zimbardo je 1973. godine podrum odeljenja za
psihologiju na Univerzitetu Stanford pretvorio u lažni zatvor. Angažovao je studente dobro-
voljce, muškarce, koje je plaćao 15 dolara na dan tokom dve nedelje. Podelio ih je, randomi-
zirano, na grupu zatvorenika I grupu stražara. Deindividuaciju je sprovodio tako što je zatvo-
renike obukao u jednake zatvoreničke uniforme, na glavu im stavio kape od najlon čarape
(da bi izgledalo kao da su ošišani do kože) i nazivao ih brojevima umesfo imenlma. Čuvari
su takođe dobili uniforme, neprovidne sunčane naočare kroz koje im se nlsu videle očl I
noslli su pendreke. Nažalost, ovaj zanlmljivi ekspenrnenf se u roku od šest dana potpuno
otudio od svoje namene. „Čuvari” su počeli da se ponašaju kao pravi čuvari. Omalovažavali
su „zatvorenlke" i sadističkl ih maltretirali b e z vidljivog razloga. ja tv o re n lc i” su pokušali da
se bune, ali je njihova pobuna ugušena. Nakon toga su postali apatični i depresivni, a neki
su čak doživeli mentalnl slom. To je poprimilo takve razmere da je eksperiment morao biti
prekinut, premda je teoriju deindividuacije kao izvoru ponašanja mase snažno potkrepio.
Epistemološka struktura ovog istraživanja nije jednostavna. U eksperimentu su posto-
jale dve grupe, all nijedna nije bila kontrolna. Dakle, nezavisna varijabla je u ovom eksperi-
mentu složena i može se nazvati zbirnim imenom „članstvo u grupi”, što je označavalo razli-
člto odevanje, različit smeštaj i ulogu. Zavisna varijabla je takođe zblrna i može se nazvati
individualnim i grupnim prihvatanjem uloge.

Važno je uočiti da u eksperimentu nije uspela kontrola neželjnih varijabh,

iako se dobra kontrola smatra osnovnom prednošću laboratorijske eksperimen-
talne metode. Naravno, treba podsetiti da je kontrola svih izvora varijanse odlika
naučnog metoda i univerzalan zadatak i ideal svih istraživanja.

Philip Zimbardo je sludirao i diplomirao zajeđno sa Stan!eyem Milgramom, koji

je svelski poznat po „Eksperimentu Milgram” u kome je ispitivana poslušnost i konfor-
miranje sa autoritetom.
 1. Prirodni eksperiment

Zaniniljiva su istraživanja u kojima se koristi neki realan događaj kao eks-

perimentalan tretman. Ovakva istraživanja se obično nazivaju prirodnim eksperi-
mentom, odnosno in vivo eksperimentom. Događaj može biti neka prirodna
okolnost, kao što su elementame nesreće. Češće su to socijalni faktori, odnosno
faktori koje je izazvao čovek - izbori ili sportska utakmica. Bitno je to što je
dogactaj nastao pre istraživanja i/ili nezavisno od njega - istraživač ga nije
izazvao, ali ga koristi kao uslov koji utiče na ponašanje i stavove Ijudi. U
epistemološkom pogledu, događaj koji je u pitanju dovodi do stratifikacije neke
populacije u pogledu nezavisne varijable. Recimo, vojnici u ratu koji jesu ili koji
nisu bili zarobljeni, Ijudi koji su osuđeni pre ili posle ukidanja smi'tne kazne,
studenti koji su upisani sa i bez prijemnog ispita itd. Vidi se da će stratifikacija
često biti dihotomna, ali to nije nužno.
Samo od dovitljivosti istraživača zavisi da li će iskoristiti neke „prirodne
događaje” da bi proučio njihov uticaj na ponašanje Ijudi. Mnoge eksperimentalne
manipulacije nisu moguće jer su opasne za učesnike, ili su neetične. Međutim,
nešto slično takvim manipulacijama se može desiti u stvamom životu i može se
koristiti za istraživanje. U tom smislu su dosada iskorišćene mnoge krizne
siluacije kao što su koncentracioni logori, prirodne i druge nepogode. Naravno,
većinom su događaji koji se koriste u prirodnim eksperimentima manje drastični
od ovih koje smo pomenuli, nego obuhvataju, recimo, donošenje novih propisa,
zakona i mera. Svedoci smo jednog velikog prirodnog eksperimenta, „tranziciju iz
socijaHzma u kapitahzam”, u kome čitave države menjaju državno i ekonomsko
uređenje.
Metodologija koja se koristi u prirodnim eksperimentima može biti kvanti-
tativna ih kvalitativna (v.). Stepen kontrole varijabli nije visok, ali u zavisnosti od
prirode događaja, vremena koje protekne izmedu događaja i istraživanja i uslova
pod kojima ispitanici provedu to vreme, prirodni eksperiment može biti veoma
shčan pravom eksperimentu (po stepenu kontrole varijabli). Može se postaviti
pitanje razhkovanja pravog i prirodnog eksperimenta, jer se kao bitna osobina
pravog eksperimenta uzima upravo (namerna) manipulacija nezavisnom varija-
blom. lako je, možda, „priroda” učinila ono što istraživači nisu mogh ih nisu
smeh, „prirodna” manipulacija nezavisnom varijabloni se možda nije odvijala
kontrohsano, za sve objekte jednako, jednakom brzinom ih intenzitetom. Zato
prirodni eksperiment treba prihvatati kao eksperiment samo uslovno, nakon
detaljne anahze njegove inteme vahdnosti.

2. Multivarijatni eksperiment

Psiholog Cattell (1966 i Katel, 1978) razlikuje dve tradicije u naučnoj

psihologiji: Wundt-Pavlovljevu i Galton-Speamianovu. Prva je eksperimentalna
i laboratorijska (na engleskom se često naziva niesingana - brass, jer su u to
 vreme u laboratorijama korišćeni različiti uređaji od te legure), a druga je kore-
laciona (psihometrijska, jer se bazira na analizi individualnih razHka; na strani
519 će biti još reči o ovim tradicijama).
Posebno treba skrenuti pažnju na Cattellov rad u kome je on promovisao
mtdlivarijalni eksperimenl. Svi eksperimentahii nacrti koji su ovde opisani su, po
Cattellu, u osnovi bivarijatni. Zavisna varijabla je uvekjedna, a nezavisne, čak i
ako ih ima više, statistički se tretiraju bivarijatnim statističkim tehnikama (jer se i
faktorski nacrt ANOVE smatra bivarijatnim ). M ultivarijatni eksperimenti
dozvoljavaju više zavisnih i više nezavisnih varijabh, one se analiziraju multivari-
jatnim statističkim tehnikama (koje iza sebe imaju pretpostavku o multivarijatnoj
normalnoj distribuciji), a kontrola eksternih varijabli se vrši tako što se one
uključuju u nacrt i posebno analiziraju (recimo kroz analizu kovarijanse). Bivari-
jatne i multivarijatne eksperimente Cattell (u skladu sa klasičnim shvatanjem)
naziva istraživanjima za nalaženje zakona (engl. law-finding).
Multivarijatne nacrte, koji nemaju manipulaciju nezavisnim varijablama, ali
mogu imati snažnu kontrolu ekstemih varijabli, i zasnivaju se na analizi individu-
alnih razlika, Cattell naziva istraživanjima za nalaženje stnikture (engl. slructure-
finding).
Ono što je važno u Cattellovom radu je to što je on fonnalno defmisao niz
tipova istraživanja na osnovu šest dimenzija: broja varijabli, manipulacije, vre-
menskog redosleda, kontrole situacije, reprezentativnosti izbora varijabli i repre-
zentativnosti izbora objekata. Većina nacrta se nalazi negde na prelazima izmedu
polova dimenzija, te je, shodno tome, pozicioniranje istraživanja u jedan ili dmgi
tip stvar stepena.
Za nas je posebno važno Cattellovo uverenje da se i u „psihometrijskim”,
stmkturalnim istraživanjima, recimo onim koja su bazirana na faktorskoj analizi,
mogu donositi kauzalni zakijučci- recimo, latentna osobina anksioznosti je uzrok
slabije pažnje, lošeg raspoloženja, nepoverenja u budućnost itd.
Značaj koji su tehnike multivarijatne analize (MVA), naročito faktorska
analiza, imale za razvoj nauka o ponašanju, posebno psihologije, doprineo je
tome da se strukturalna istraživanja danas tretiraju kao posebna vrsta istraživanja
(v.). Posebno je značajno to što je Cattell ukazao da se latentni konstrukti mogu
smatrati uzrocima manifestnog ponašanja, čime strakturalna istraživanja postaju
kauzalna, slična eksperimentima,
Multivarijatna analiza se može koristiti za analizu rezultata iz bilo kog
nacrta istraživanja- pa i eksperimentalnog, Za statističku analizu multivarijatnih
eksperimenata postoje multivarijatne varijante analize varijanse i kovarijanse,
diski'iminaciona analiza, višestmka regresiona analiza, kao i niz drugih tehnika
koje imaju za cilj redukciju dimenzionalnosti. U rečniku muhivarijatne analize se
standardno koriste teiTnini eksperimentalne i kontrolne gmpe, kao i nezavisnih,
zavisnih i kontrolnih varijabli.
Multivarijatni pristup omogućava da se svih pomenutih šest dimenzija eks-
plicitno uključe u model, te da se na osnovu toga odabere odgovarajući, strogo
defmisan matematičko-statistički tretman (prvenstveno multivarijatni), čime se
celokupno istraživanje i njegova analiza smeštaju u mnogomerni konktekst. Zbog
toga su istraživanja koja koriste multivarijatni pristup, u eksperimentalnoj i]l
neeksperimentalnoj paradigmi, veoma često korišćena u istraživanju ponašanja,
posebno u psihologiji (v. korelaciona istraživanja).

E. Neeksperimentalno istraživanje

Kada istraživač nema direktnu kontrolu nad nezavisnom varijablom zato što
je ona nastala ili prom enila vrednost ranije, ili zato što nije u mogućnosti da
njome manipuliše, a želi da ispita povezanost nezavisne i zavisne varijable, istra-
živač će primeniti neeksperimentalno istraživanje. Neeksperimentalna istraživanja
su, dakle, nam enjena istraživanju povezanosti između varijabli. Osnovni tip pove-
zanosti koji interesuje svaku nauku je kauzalni. Međutim, neeksperimentalna
istraživanja ne m ogu dokazati uzročno-posledičnu vezu izmedu varijabli, čak i
ako je pravilno utvrde.
Ranije su se neeksperimentalna istraživanja često nazivala ,,ex post facto
istraživanja”. Taj naziv je potekao od prvog uslova koji mora postojati u uzročnoj
vezi: post hoc, ergo propter hoc. Pošto se nezavisna varijabla desila sama od
sebe, mi o njenom uticaju na zavisnu varijablu zaključujemopostfacto. Nažalost,
uslov vremenskog redosleda ne samo da nije dovoljan (v. poglavlje o uzročnosti
u uvodnoj glavi), nego se, ako se uzima zasebno, smatra jednom od najčešćih
grešaka u mišljenju. Zbog toga se danas naziv ex post facto sve ređe koristi. Mi
moramo da kažem o da je tačno da uzrok mora biti nužan i dovoljan uslov i da
vremenski sled dve pojave ne dokazuje njihovu uzročnu povezanost, ali je tačno
i to da je vremenski sled nužna pretpostavka kauzalnosti. Ako nezavisna varijabla
nije nastala pre zavisne, ona sigumo nije njen uzrok.
Međutim, traganje za uzročnošću nije jedini cilj naučnih istraživanja. Tako
i neeksperim entalna istraživanja imaju dva altem ativna cilja: p red ik ciju i
otkrivanje stru k tu re . Ova dva cilja imaju veliki teorijski i praktični značaj i nisu
ništa manje poželjni od utvrdivanja uzročnosti. Obe se zasnivaju na korelaciji
odnosno kovarijaciji varijabli. Odnos korelacije i uzročnostije složen. Uzročnost,
kao što smo videli, podrazumeva korelaciju, ali korelacija ne podrazumeva uzroč-
nost. Drugim rečim a, korelacija je nužan uslov uzročnosti, a uzročnost je dovo-
Ijan uslov za korelaciju.
Iz svega se m ože zaključiti da neeksperinientalna istraživanja povezuju prvi
i drugi uslov uzročnosti: vremenski sled i korelaciju. Ono što neeksperimentalna
istraživanja ometa da donesu vahdne kauzalne zaključke je nepostojanje trećeg
uslova: eliminisanja altemativnih tumačenja.
Ovaj treći uslov neeksperimentalna istraživanja ne ispunjavaju iz jednog
osnovnog razloga — nedostatka kontrole. Istraživač nema kontrolu nad neza-
visnom varijablom. Ne može da bude siguran kadaje ona nastala i da li je nastala
pre zavisne varijable. Takođe, ne može da utiče na njen intenzitet ili trajanje. Još
gora je situacija sa kontrolom ometajućih varijabli, odnosno neželjene varijanse.
Objekti se ispituju u svom prirodnom okruženju, izloženi nizu različitih dejstava.
Takođe, čak i ako je nezavisna varijabla nastala pre zavisne, možda su pre nje ili
paralelno sa njom delovale druge varijable.
Ispitivali smo, recimo, uticaj telesne aktivnosti na anksioznost i dobili smo
da su Ijudi koji se manje kreću anksiozniji, i pri tome, što se manje kreću, više su
anksiozni. Iz toga smo zaključili da je nedostatak telesne aktivnosti uzrok an-
ksioznosti. Kao prvo, ne postoji dokazani redosled između telesnog kretanja i
anksioznosti. Po većini psiholoških teorija bi anksioznost bila „starija” varijabla
od rekreiranja. No, čak i ako zanemarimo te teorije, verovatno ćemo brzo otkriti
(mi ili neko drugi) da postoje još mnoge varijable koje koreliraju i sa rekreacijom
i sa anksioznošću. Na primer, možemo ustanoviti da više trče Ijudi koji imaju višu
platu i koji su oženjeni plavušom, i da su oni, istovremeno manje anksiozni. Štaje
onda, medu te četiri varijable, uzrok a šta posledica.
Neeksperimentalna istraživanja mogu da imaju eksperimentalnu i kontrolnu
grupu, a mogu čak i da imaju randomizaciju kao princip alociranja subjekata po
grupama (ali ne pre delovanja „tretmana” - nezavisnih varijabli). Međutim,
nijedno neeksperirnentalno istraživanje nema eksperimentalnu kontrolu nezavi-
snih varijabli. U takvim istraživanjima je naziv „eksperimentalna grupa” pogre-
šan, jer nema eksperimenta. Kod nas se taj naziv često koristi zbog nedostatka
dobrog altemativnog termina, ali i iz razloga žargona, neopreznosti, navike itd.
Preporučujemo da se, ako je istraživanje neeksperimentalno, naziv „eksperimen-
talna gmpa” zatvori u navodnike, jer u neeksperimentalnimistraživanjima nijedna
grapa ne može biti eksperimentalna. Takođe, može se koristiti nešto blaži termin,
programska grupa, što ćemo i mi koristiti u ovoj knjizi.
Poglcdajmo sledeći dijagram.

Neeksperimentalno istraživanje 1
T'' M

Setimo se islraživanja PTSP-a. Pošto se eksperimentalna kontrola nezavisne

varijable u ovom slučaju kosi sa etičkim kodeksom istraživača, njima preostaje
jedino neki neeskperimentalni nacrt. U dijagramu je prikazana prva varijanta
nacrta sa jednom grupom. To je tipično neeksperimentalno istraživanje, gde su za
istraživanje uzeti svi koji su imali ratne traume, neki njihov uzorak, ili čak samo
pojedinačni slučajevi, kada bi se takvo istraživanje zvalo „studija slučaja”. Za te
Ijude jedino znamo da poseduju nezavisnu varijablu T''^, u ovom slučaju izlože-
nost traumatičnom iskustvu. Na takvim Ijudima možemo da merimo niz varijabli,
između ostalog i njihovu ocenu težine doživljene traume, vrstu traume, proteklo
vreme i niz drugih faktora. Nizom statističkih tehnika, od testiranja hipoteza o
razlikama, preko korelacije, regresije i kanoničke korelacione anahze, sve do
modeliranja stmkturalnih jednačina (SEM) možemo {postfacto) istraživati veze i
odnose prošlih iskustava i današnjih osobina.
Sledeći nešto kvahtetniji nacrt bi bio nacrt sa dve gnipe. U prvoj su oni koji
su imah ratno iskustvo i koju možemo zvati „eksperimentahiom grupom”, a u
drugoj su osobe bez ratnog iskustva. Oznaka N znači da smo koristili prirodne
grupe, recimo u prvoj grupi su oni koji su došh u savetovaiište, a u drugoj studen-
ti. Dalji postupak, odnosno merenje zavisne varijable može obuhvatati intervjue,
psihološke testove, standardizovane upitnike za merenje posttraumatskog
stresnog sindroma i sl.

Neeksperimentalno istraživanje 2

N M
N M

Najkvalitetniji nacrt istraživanja koji može da se primeni u ovom slučaju je

onaj iz sledećeg dijagrama. U njemu snio odabrali dve grupe ispitanika pomoću
jednačenja, nakon što smo ih slučajno odabrali iz većeg skupa. U prvoj grupi smo
uzorkovali Ijude koji su učestvovali u ratu i imali traumatična iskustva, a u drugoj
one koji uopšte nisu bili u ratu (opšta populacija). Nakon toga, na obema grupama
smo izvršili merenje zavisne varijable.

Neeksperimentalno Istraživanje 3

P, M

Treći nacrt je bolji od drugog zato što se slučajnim uzorkovanjem bolje

mogu eliminisati nepoželjne „treće varijable” nego prigodnim uzorkovanjem.
Svojstva prigodnog uzorka ne garantuju da će Ijudi koji su ušii u jednu ili drugu
grupu biti reprezentativni za „ratnu” odnosno „opštu” populaciju. Na primer,
veterani koji se sami javljaju u savetovališta dnigačiji su od onih koji se ne
javljaju, a studenti su drugačiji od službenika i radnika. Zbog toga treba biti veo-
ma oprezan kada se razlike i veze koje utvrdimo u istraživanju sa drugim nacrtom
generahziraju na populaciju (metodološki čistunci kažu da takvu generalizaciju
uopšte nije moguće izvršiti).
 Zbog mogućnosti mešanja varijabli nijedan od ova tri nacrta nije posebno
intemo valjan, s time da je drugi bolji od prvog, a treći bolji od oba.
Pažljiv čitalac će uočiti da postoje brojne varijante, podvarijante, niešavine
i preplitanja ove tri varijante neeksperimentalnog nacrta. Recimo, različite grupe
i podgrupe se mogu formirati na osnovu različitih varijabli. Možemo formirati
grupe prema težini doživljene traume, ali i prema tome da li je ispitanik imao
neka još ranija traumatična iskustva, kao što su alkoliolizam, razvod ili bolest.
Takve grupišuće varijable mogu imati status altemativnih nezavisnih (moderator-
skih ili medijatorskih) varijabli, ili možemo samo želeti da povratimo izvestan
stepen kontrole nad varijansom, u kom slučaju će imati status kontrohiih varijabh.
Pomoću tih varijabh možemo otkriti zašto neki koji su imali trauniatična iskustva
razviju PTSP, a neki ne, odnosno zašto neki razviju težak obhk, a neki lak.
Osim toga, u konlaetnom istraživanju se mogu mešati i kombinovati i drugi
elementi upravo spomenutih nacrta. N a primer, jedna grupa može biti shičajno
birana, a dniga ne, u zavisnosti od praktičnih razloga (po pravilu je lakše shičajno
birati opštu populaciju).
Kada je reč o formiranju grupa, ni u jednom skičaju nismo mogh izvršiti
punu randomizaciju. Ona bi podrazumevala da smo grupe formirah randomi-
zirano pre odlaska u rat i da smo onda eksperimentahiu grupu poslali u rat. lako
smo mi u drugom i trećem nacrtu nastojah na što validnije odaberemo grupe, one
su se u suštini birale same. Ne samo da nismo uticah na to ko je otišao u rat a ko
nije, nego nismo uticah ni na to ko je dolazio u savetovaUšte a ko ne. U trećem
nacrtu smo sugerisah shičajni izbor „eksperimentalne grupe” iz populacije Ijuđi
sa ratnim iskustvom. Međutim, moglo bi biti veoma teško praktično izvesti takav
slučajni izbor; vojska, milicija, rezei"visti, dobrovoljci, paravojne grupe itd.
Postoji još jedan ozbiljniji problem na koji treba ukazati. IJzmimo da pro-
gramsku grupu biramo od Ijudi koji se zbog teškoća javljaju u savetovališta i
zdravstvene institucije (što je biti najvcrovatnija odluka istraživača). Njima se
tom prilikom dijagnostikuje PTSP na osnovu razgovora, anamneze, upitnika ili
testova. Prema tome, programsku grupu bi činili Ijudi kod kojih je utvrđen PTSP
po DSM -IV ili M KB-IO. Iz toga sledi da smo izvršili izbor na osnovu zavisne
varijable, a ne na osnovu nezavisne varijable. Time se interna validnost praktično
poništava, jer smo razliku između grupa veštački kieirali.

1. Zaključci o razlici eksperimentalnih i

neeksperimentalnih istraživanja

U savremenim metodološkim priručnicima se mogu naći dijagrami i detaljni

prikazi par desetina različitih nacrta istraživanja od kojih su većina varijante i
podvrste nacrta koji su prikazani u prethodnimpoglavljima, ali neki predstavljaju
iskorak ka posebnim, statistički defmisanim istraživanjima koje ovde nismo
pomenuli. Postoji jedno važno pitanje koje se upliće u diskusiju o tipologiji
istraživačkih nacrta. To je pitanje o tome šta je uzročnost u domenu ponašanja i
da li ona postoji. Da li se za ponašanje, odnosno delatnost, odnosno aktivnost
čoveka i živih bića uopšte, mogu utvrditi uzroci kao što ih poznajemo iz prirodnih
nauka. Autori koji argumentovano tvrde da je to nemoguće, smatraju, naravno, da
ni eksperimentalna istraživanja ne mogu naći ono čega nema - kauzalitet. Ipak,
niko ne odriče epistemološku moć eksperimentahiih istraživanja i njihovu valid-
nost, posebno intemu.
U uvodnoj glavi ukazano je na dosta elaboriranu interpretaciju uzročnosti u
domenu ponašanja kao statističke povezanosti. U skladu sa takvom interpretaci-
jom razvijeni su i modemi nacrti istraživanja koji se baziraju na statističkoj anah-
zi individuahiih razlika pre nego na randomizaciji i eksperimentalnoj kontroli'^.
U glavi o uzorkovanju, iz rasprave o teoriji i praksi slučajnih uzoraka, vide-
ćemo da bilo kakva randomizacija obezbeđuje nepristrasnost samo u izvesnom
stepenu, sa odredenom verovatnoćom, a nikako apsolutno. Iz toga sledi i da je
razlika eksperimentalnih i ne-eksperimentalnih nacrta samo u stepenu kontrole
neželjene varijanse, a ne takva da ih međusobno potpuno isključuje. Eksperi-
menti, takođe, sadrže neke ozbiljne pretnje validnosti, zbog kojih mogu izgubiti
saznajnu snagu koju imaju.
Za neeksperimentalna istraživanja se kaže da se zasnivaju na analizi indivi-
duahiih razlika, a ne na eksperimentalnoj kontroli varijabh.
Eksperimentalna istraživanja su česta u psihologiji, a manje česta u drugim
naukama o ponašanju. Danas se može sresti procena da je otprilike polovina
psiholoških istraživanja eksperimentalna. Međutim, neka bibliometrijska istraži-
vanja govore da broj objavljenih radova eksperimentalne prirode opada, a neeks-
perimentalne prirode raste.
Takođe, u uvodu ove glave istakli smo i podelu na deskriptivnu, korelacio-
nu i eksperimentalnu orijentaciju u psihologiji, koja nas upozorava da neeksperi-
mentalna istraživanja imaju barem ove dve jedinstvene podvrste.
Prilično je poznatapojava dapostoji jaka vezanost jednih autora za eksperi-
mentalni tip istraživanja, a dmgih za korelacioni. Takođe, postoje čitave škole i
pravci koji se identifikuju bilo kao eksperimentalni bilo kao neeksperimentalni i,
naravno, postoje žučne debate između njih.

2. Terensko istraživanje

Po nekim podelama, istraživanja ponašanja se mogu razvrstati u četiri

glavne gmpe; laboratorijski eksperimenti, terenski eksperimenti, terenska istraži-

” Statistički pristup istraživanju uzročnosti se danas uglavnom naziva modelima

striilctiiralnihjednačina(engl. structural equation m odels- SEM). Najčešće korišćena SEM
metoda je verovatno konfimiativna faktorska a naliza-K F A (engI. confirmatory factorana-
lysis), u kojoj se postavlja „matrica cilja”, odnosno formira se hipotetička malrica faktorske
strukture, pa se testira koliko je dobijena matrica slična njoj.
 vanja i anketna istraživanja (Kerlinger i Lee, 2000), Prve dve su eksperimentalne
a druge neeksperimentalne,
Međutim, kako ćemo dalje videti, vrlo veliki broj istraživanja u naukama o
ponašanju se može nazvati terenskim istraživanjem (engl. field study), Tu mogu
da se ubroje studije slučaja, akciona, evaluativna i slična specijalna istraživanja,
odrednica „terensko” je prisutna i u anketnim istraživanjima, a ono što se danas u
psihologiji podrazumeva pod terenskim istraživanjem to je terenski eksperiment.
Zbog opasnosti da se sva istraživanja koja se obavljaju na terenu klasifikuju kao
terenska, u mnogim današnjim udžbenicima se ona ne spominju kao posebna
vrsta istraživanja.
Ipak, radi kompatibilnosti, obradićemo terenske stu d ije onako kako se tradi-
cionalno obrađuju u literaturi. S3?£_definicije-terenskih-istražLvanjajliJ:erenskih
studija sadrže odrednicu da se te studiifi_bave„jealnim društvenim.zaiednicama u
njihovom-realnom_okniženju”; preduzećima, školama, opštinama, gradovima,
selima, porodicama, neformalnim grupama, verskim sektama itd. Medutim, posle
te tač k e postoje izv e sn e ra z lik e u defLnjsanju i shvatanj^U -terenskikistraživanja. Po
;prTOrta^IlYalanju, u terenskim studijama naglasak je na razumevanju i značenju
ponašanja manjih ili većih društvenih zajednica. Metode koje se koriste su
većinom kvalitativne (posmatranje, intervju). Iz takvog shvatanja bi sledilo da su
terenska istraživanja primerena sociološkoj grupi disciplina i da liče na studije
slučaja (v.)/Dmgo„shyatanje stavlja naglasak na analizu varijabH, odnosa između
varijabli i stepena prisustva varijabli u realnim društvenim i prirodnim uslovima,
ali i na testiranju hipoteza. Dominantna metodologija je kvantitativna. Razlika
ova dva shvatanja terenskih istraživanja se svodi na poznatu kvalitativno-kvanti-
tativnu razliku.
Naravno, u oba shvatanja se atribut „terenska” tretira na isti način: kao
psobina ovih studija da .se ispitanici ili grupe analizirajuna mestima gde oni žive
ili rade i pod_ svakodnevnini uslovima. Taj aspekt, da Se istraživanje sprovodi u
uslovima stvamog života ispitanika, bitna je odrednica ovog tipa istraživanja.
Mi ćemo se ovde prikloniti shvatanju da je terensko istraživanje svako
neeksperimentalno istraživanje, koje na dovoljno velikom uzorku iz postoječe 1
socijalne strukture utvrđuje pojave ili odnose, ili testira hipoteze, a izvodi se u j
realnim životnim uslovima. Odrednicu „dovoljno velikog uzorka” i „socijalne
strukture” koristimo zato da bismo ukazali da u terenska istraživanja ne ubrajamo
studiju slučaja, da insistiramo na eksternoj validnosti terenskih istraživanja i da
naglasimo da se terenska istraživanja bave društvenim grupama ili ustanovama.
Defmicija nastoji da zadrži i kvalitativni i kvantitativni pristup terenskim
studijama.
Defmicija isključuje terenske eksperimente (koje smo ovde obradili u dru-
gom poglavlju), ali ne isključuje mogućnost da terenske studije rade sa nezavi-
snim i zavisnim varijablama i da donose kauzalne zaključke - makar hipotetičke.
Medutim, zbog nedostatka randomizacije i eksperimentalne manipulacije, teren-
ske studije nemaju visoku internu validnost. Snagajerenskih studija je u eksternoj
i ekološkoj validnosti, odnosno generalizabijnosti, za koju su potrebna dva
uslova: a) sličnost uslova pod kojima se vrši istraživanje sa uslovima u kojima
ispitanici žive i b) „dovoljno veliki uzorak” ispitanika (entiteta) da bi bio
reprczentativan.
Po ovom shvatanju, istraživanja neformalnih grupa, recimo navijačkih
grupa, spadaju u terenska ako se sprovode na više različitih gnipa, ili na istoj
grupi tokom dužeg vremena. Nasuprot tome, istraživanja Ijudskih zajedica kao što
su pojedinačno pleme, selo ili varošica bi pre spadala u studije shičaja. RazHka je
samo u stepenu generalizabihiosti: da h je istraživanje uopšte sprovedeno sa
ciljem uopštavanja i da h su nalazi direktno generahzabilni na druge grupe ih na
šire dmštvene procese, ih su nalazi namenjeni samo za razumevanje, analizu i ilu-
straciju slučaja koji je istraživan. Naravno, i nalazi iz studija shičaja mogu
poslužiti (kao šta najčcšće i služe) kao izvor generahzabilnih hipoteza.
Terenska istraživanja mogu da poseduju značajne epistemološke kvahtete.
Recimo, varijansa varijabli je obično velika, znatno veća nego što se može dobiti
u laboratorijskim uslovima. To je, jednim delom, posledica realizma ovih studija,
jer obuhvataju realne životne situacije, a pokazalo se da je život bolji generator
individualnih razlika nego eksperiment ili laboratorija. Terenska istraživanja su
„heuristična”, tj. imaju veliki „otkrivajući potencijal”. Na nesreću, ovo svojstvo
prouzrokuje brojne praktične probleme istraživačima, je rje terenska istraživanja
teško držati pod kontrolom: tokom samog istraživanja stalno se nameću nove
hipoteze, javlja se potreba za novim instrumentima i novim uzorcima, a nove
potencijalne oblasti istraživanja stalno odvlače pažnju istraživača. TroSkovi
terenskih studija su često veliki, broj saradnika je veliki i one često dugo traju.
Terenska istraživanja ne podrazumevaju nijednu posebnu metodu prikuplja-
nja podataka. Samo mašta, mogućnosti i potrebe istraživača omeđuju metodologi-
ju prikupljanja podataka. To može biti neposredno posinatranje, psihološko testi-
ranje, upitnici, intei"vjui ili merenje fizičkih varijabli kao što su antropometrijske
varijable. Prevagu imaju kvantitativne metode, jer su terenske studije većinom
kvantitativna istraživanja.
lako su terenska istraživanja neeksperimcntalna, postoji mnogo primera u
kojima se u terenskim studijama manipulisalo varijablama. Recimo, nekim ispita-
nicima su davane jcdne informacije o nekoj pojavi, a drugima druge, pa su upore-
divane njihove reakcije. U takvim terenskim istraživanjima su značajnu ulogu
odigrali saradnici istraživača, za koje smo rekli da su karakteristika terenskih
eksperimenata. Za istraživanja u kojima se porede rezultati dobijeni optruzivnim
i neoptruzivnim metodama (npr. da li je posmatrač neposredno prisutan ili je
sakrivcn) se takođe može reći da sadrže manipulaciju varijablom prisutnosti
posmatrača. Istraživanja u kojima se koristi učesničko posmatranje takođe često
koriste manipulaciju varijablama. Ovakva terenska istraživanja su, u celini, kvan-
titativna, ali mogu se služiti nekim kvalitativnim metodama.
 Terenska istraživanja su vrlo brojna i pokrivaju veoma široku oblast. Zato
se dalje mogu podeliti na osnovu nekoliko kriterijuma. Po jednom kriterijumu,
dele se na: eksplorativna i konfirmativna. Konfirmativna istraživanja traže odgo-
vore na zašto i kako, i zadiru dublje u otkrivanje odnosa i zavisnosti unutar date
društvene zajednice, sa ciljem da ih protumačc. Atribut konfirmativna ova istraži-
vanja stiču zato što se bave testiranjem hipoteza (eng. hypothesis testing).
Eksplorativna terenska istraživanja se nazivaju i deskriptivnim terenskim
istraživanjima. Glavna pitanja na koja ona odgovaraju su šta i koliko. Ona ne
postavljaju pitanja zašto i kako, niti traže odgovore na ta pitanja. Saznajni tok u
mnogim naukarna počinje eksplorativnom, odnosno deskriptivnom fazom. Tako
su i eksplorativna terenska istraživanja često uvod u konfirmativna. Da bismo
mogli postaviti pitanje „zašto” i da bismo mogli tražiti odgovore na njega,
moramo defmisati konstrukte i formulisati hipoteze. U tome značajnu ulogu
igraju eksplorativna istraživanja, koja, sama po sebi, ne sadrže hipoteze i ne
proveravaju ih (ali mogu da imaju istraživačka pitanja, v.).
Eksplorativna terenska istraživanja mogu imati dva cilja: a) prostu
deskripciju i b) otkrivanje veza mcđu varijablama. U deskriptivnom obliku ona su
vezana za ono što smo u glavi o kvantitativnoj anahzi nazvali deskriptivnom
statistikom. Cilj im je samo da se utvrdi koji konstrukti postoje i u kom stepenu.
Varijable u takvim nacrtima imaju samo kvantifikatorsku ulogu.
Kada se eksplorativna istraživanja primenjuju da bi se utvrdile povezanosti,
njihovi ciljevi idu dalje od proste deskripcije. Taj tip istraživanja obuhvata i
studije u kojima se istražuje predikcija i latentni konstrukti, pa se, dakle, on
preklapa sa korelacionim istraživanjima (v.) i strukturabim istraživanjima (v.).

F. Anketno istraživanje

O^novna odredba anketnpg jstraživanja (engl. sw vey) je da je neeksperi-

mentalng. Sledeća važna odredba, koja se u literaturi ponekad previše naglašava,
jeste da se anketno istraživanje sprovodi.na.uzcir/:M, pa se na engleskom ponekad
može naći naziv sample survey. Medutirn, ne čini se da je činjenica da se ncko
istraživanje sprovodi na uzorku objekata differentia specifica tog istraživanja u
odnosu na ostala. Uzorkovanje je, kao što smo videli, prisutno svuda, pa i u
studiji slučaja. Takođe, taj opšti pravac induktivnog zaključivanja-generahzacija
sa uzorka na populaciju, je prisutan u većini kvantitativnih empirijskih istraživa-
nja. Konačno, uz .anketno istraživanje se vezuju upitnik \ struktiirisani intervju
kao osnovne metode prikupljanja podataka. Po rečnicima, re_^potiče pjryo od
la ^ s k o g jnquisita, pa od francuskog _engueie.
 Anketnom istraživanju posvećujemo celu glavu zbog važnosti i učestanosti
primene. Sve nauke o ponašanju koriste anketna istraživfinja. Međutim, njihov
značaj se vidi daleko izvan naučno-istraživačke.oblasti: u domenu primenjenih
istraživanja, socijahie politike, ekonomije i marketinga, a danas ga, u okviru
ispitivanja javnog mnjenja, mnogi vide kao važnu komponenlupolitičkog legiti-
miteta, odnosno demokratskog odhičivanja (Baćević, 1994, Slavujević, 2002).
A nketnajstraživanja su nova i syoj .osnovni-razvoj .doživela su_u.XX.veku.
U hteraturi se mogu sresti razUčiti stavovi o tome da h su anketna istraživa-
nja kpnfirmativna^ih ek'splorativna'.''U osnovi, ona mogu poshižiti i u eksplorativ-
ne i u konfirmativne svrhe. Anketnajstraž[vanja se č ^ sa potpuno
praktičnirn, komercijalnim eiljevima, a.nejiaučnim. U tim slučajevima je prirodno
da ona budu na deskriptivnom odnosno „procentnom” nivou. U_takypm tipu
2 stražiyanja varijable imaju „kvantifikatorskii” ulogu. Kao što je istaknuto u glavi
o varijabh, „kvantifikatorska” uloga varijabh ima niži epistemološki nivo nego
„strukturalna” . Međutim, anketna istraživanja mogu sasvim dobro da posluže za
strukturahie namene, pa dakle da i njihove varijable imaju strukturalnu ulogu - da
služe za otkrivanje izvora i razloga za mnjenja i ponašanja Ijudi,
S obzirom na ciljeve ih namenu, anketna istraživanja mogu.biti:
• pohtikološka (izbori, partijska opredeljenja, poverenje u pohtičare i
institucije, stavovi o važnim društvenim pitanjima),
• m a r k g t in š k a ( p o t r o š a č k e p r e f e r e n e ije i p o n a š a n je ) ,
• jnedijska (čitanost, shišanost i gledanost medija),
• socLopsihološka (vrednosti, životni stilovi, navike),
• so.cioekorLoniska (socijahia pokretljivost, materijahii status) itd.

Lista eiljeva ovim daleko od toga da je iscipljena. Istraživači mpgu imati

neke sa_s_Yim specifične ciljeve, a vrlo čest^se cjljevi kombinuju.
U_anketnim istraživanjima se mogu prikupljatipodaci najrazličitije prirode.
Teško je zamishti sve šta Ijudi jesu ili bi mogh biti pitani u anketama. Zbog toga
nije lako napraviti valjanu taksonomiju podataka koji se prikupljaju u anketnim
istraživanjima. Priroda podataka koji se prikupljaju zavisi, naravno, od ciljeva
anketnog istraživanja. AJcQ-bisma.nas.tojali-da_nekako grupišemo podatke koji se
prikupljaju-u.anketama, imajući u vidu osnovne ciljeve anketnih istraživanja,
.mogli bism ojh-podehti.na podatke o:
• s D .c io lg š k im , _ e k o n o m s k iiu i l i a n t r o p o l o š k i m . s v o j s t v m i a ,
• .prošlom,_sadašnjem i b_udućem.ponašanj.u.ljudi,
• stav_oYiroa.i_mišlje.njiipa.
U^pr-vu -grupu_podataka _spadaj u_„činj.enicelLili_„fakti!lo_lj udima, .Qno-što_ se
kod na^često naziva ob.eležjima,.nezavisnim-varijablama ili-socio-demografskim
oheležjinja. Tu spadaju.pol, starost, obrazovanje, n a c io n a ln O -S t, piihod, konfesio-
nalna pripadnost, bračni status, posedovanje dobara itd. Medutim, mogu se priku-
pljati i „objektivni” podaci o telesnoj visini, broju cipela, boji kose ili krvnoj
grupi. Ovde se mogu ubrojati_Lpadflciii.zdraY-lju i boIe_stima, isJkustvima sa krimj-
 n a l D i n . i nasiljsm (kao izvršilac ili kao žrtva), seksualnim navikama.-Lflpre-
deljenjima i .tome slično.
Sledcća. važna g n jp a ^ .p o _ d a te k 3 .-S U --p Q d a d - .Q _ p Q n a š a n ju J ju d i. Ispitanike
možemo pitati koliko često idu u pozorište, hihlioleku ili robnu kuću. Možemo ih
pitati koje proizvode kupuju, kakvu hranu jedu, gde provode slobodno vreme,
kako vaspitavaju decu ih za koga su glasah. U.anketama se često postavliaiu
pita_nja o bjjdućejmjlLplaioiraaDm-ponašanju: za koga će glasati, da h će i ć i na
more, da l i planiraju da stupe u brak.
Osim„objektivnih^’-podataka,jianketnimistražii'anjima.se.mogu.prikuplja-
ti podacii). psihičkim ih psihofizičkim osobinama. raspoloženjima, emocijanTa itd.
hMk. niaitipi.č-niia primena_anketnih istr-ažlviinia ie u ispitivaniim ajavnng mnje.njn,
tj. utvrdivanja stavova, mišljenja, opredeljenja i preferencija stanovništva o nekim
određenim pitanjima, na primer o nekim novim merama vlade. Takva istraživanje
se kod nas često nazivaju sondažama javnog mnjenja (engl. public opinionpolls,
Baćević, 1994).
Kao i kod svih kvantitativnih studija,jresudnO-_pitanje-anketiiili.istražiYanja
}S..mIjanosJ^J_pouzdanmLJnecenia (v.). S obziromuna-.osnovni cilj. anketnih
istraživanj&Jzaklj.učivanje (i populaciji )ld~ošnomližorkdl. prvi činhae kojj nwra
biti zadovoljen da bi merenje bilo valjanp^ i pi3uzdan0_je-x.ep-rez-entatiyan uzorak
(dovoljno velik i pravilno biran). Drugi č i n i ^ J^ d a ispitanici odgovaraiu iskre-
no,. pošteno, ali i da pitanja budu takva da se na njih može odgovoriti pošteno.
Ako.ispitanike_p_itateji^sšto što oni jie.znaju ih^Č-ega.-.se-_-ne,sećaju (npr. „kako
ocenjujete rezuhate prve privredne reforme iz 1965. godine”), rezultati neće biti
yaljani i pouzdani. N a spremnost ispitanika da iskreno odgovaraju može se utic.ati
pravilnoni fonii^lacijom pltanja, naknadom troškova, obukom anketara, dobrim
uputstvom itd. Međutim, još nije pronadeno univerzalno i konačno rešenje za
pouzdano i valjano merenje u anketnim istraživanjima. Treba imati u vidu da su
ankctna istraživanja, pogotovo politikološka, često podvrgnuta direktnoj i brzoj
validaciji - za razliku od svih ostalih istraživanja ponašanja. Na prinier, prognoze
iz predizbornog istraživanjajavnog mnjenja, sprovedenog deset dana pred izbore,
biće validirane u roku od 10-15 dana, već koliko bude bilo potrebno za prebro-
javanje glasova.
Usko povezana sa anketnim istraživanjem je problematika merenja stavova.
Pojam stava, teorija i način merenja stavova opisani su u posebnom poglavlju.
Uzorkovanje je važna komponenta anketnog istraživanja i važan deo njego-
vog epistemološkog kvaliteta. Razvoj metoda uzorkovanja i anketnog istraživanja
je tekao paralelno. Uzorkovanju je u ovoj knjizi posvećena posebna glava, gde su
opisani osnovni pojmovi, tipovi uzorka i njihova svojstva, kao i problemi reali-
zacije uzorka. Posebno skrećemo pažnju na odeljke o „etapi ispitanika” i „etapi
anketara” i na poglavlje o praktičim problemima empirijskih istraživanja.

strukturisanirn interyjiionx_ilij.ipilnikom. Ove dve metode prikupljanja'pajataka

opisane su u posebnim poglavljima. Zbog brzine, efikasnosti, praktičnosti, cene i
zbog drugih razloga, danas se u prikupljanju podataka veoma mnogo koriste
računari, pa će u sledećem poglavlju o tome biti više reči.

1. Vrste anketnih istraživanja

Anketna istraživanja se mogu deliti na različite načine. U uvodu smo pre-

dložili podeiu po ciljevima, a mogu se deliti i po tipu uzorka, po ciljnoj populaciji
(rceimo, omladinske ankete) ili po nekom drugom kritcrijumu. U udžbenicima se,
medutim, obično dele pj;cma_tomeJžako se prikuplia)u„pfldaci. U skladu sa time
razlikujemo: ankete sa ličnim intervjuisanjem, telefonsice anicete, poštansice
ankete i Internet anicete.
jA nketa„sa ličnira^inter-vjuisanjeinl- U celini gledano, najboJji_jiačin
anketiranja je putem ličnog intervjuisanja, kada obučeni intervjuer -_a.nketar_
postavlja pitanja ispitamku,--Iicem u- Lice. Oblik intervjua koji se koristi je
strukturisani, Sto znači da se podaci prikupljaju na osnovu upitnika za lično inter-
vjuisanje. U poglavlju o upitniku opisana su svojstva ovog upitnika i osnovne
sugestije za konstrukciju. Rad anketara opisan je u poglavljima o upitniku,
intervju, skrivenim etapama uzorkovanja i praktičnim problemima empirijskih
istraživanja. U tim poglavljima ukazano je na dobre i loše strane ovog tipa
anketiranja. U celini, ovim načinom anketiranja mogu se prikupiti sveobuhvatni,
produbljeni i pouzdani podaci o velikom broju različitih ponašanja i mišljenja.
Sadržaj i tok intervjua može biti prilagodavan ispitaniku i može se ocenjivati
uverljivost i iskrenost odgovora. U našim uslovima daje najbolje rezultate.
Nažalost, Hrao jntMvjiiisanje podrazum.eya.-dQbj;p_j5rganizoyanu i_.Qbiič.enu
anketarsku službuj ra(^najerenju. Zal.aje_ankrta_saJjčnitXLinten/jui_sanjem_^^
(kod nas se kao okvirna cena inože uzeti 10 evra po upitniku) i zahteyqjnnqgo_^
prip rem a j prganjzacionog rada. Umesto nacionalne anketarske mreže može se
koristiti manji tim anketara koji se razašilju iz sedišta istraživača, ali se to plaća
znatno dužim trajanjem istraživanja,
\Telcfonska anketa.-j- Mnogo lakša je telefonska anketa. Uz dobre tele-
fonske centrale, dobru pokrivenost telefonima, dobar softver za slučajno biranje
telcfonskih brojeva (RDD), dobar softver za CATI i uz ispitanike navikle na
telefonske ankete, o,vaj-tip anketiranja može dati dc)bre rezultate, pogotovo kad su
oni potrebni odmait i kada su sredstva_ograniče.uci. Telefonska anketa je nekoliko
puta jeftinija od ankete sa ličnim intervjuisanjem, a može biti skuplja od poštan-
ske ankete. U poglavlju o upitniku date su osnovne sugestije za konstrukciju
instrumenta za prikupljanje podataka putem telefonske ankete. U glavi o uzorko-
vanju opisana je procedura uzorkovanja telefonskih brojeva. Kao što se može
prelpostaviti, naši istraživači javnog mnjenja ne rnogu računati da će u potpunosti
biti zadovoljen ijedan od prethodnih uslova. Dakle, niz tehničkih problema mogu
,da ugroze kvalitet telefonske ankete.
Postoji i problem proistekao iz prirode telefonske komunikaeije i izgrađene
kulture ove komunikacije. Antetiranje;p_utem_t_ejefona,_
 djrektne komimikacije,-licem u lice. Zato su pĐiiaci±oji-.se. prikupe_ tejefpnom,
_ae_stQ.jDOvrl«z i kurtoazni, .posebno ako je broj pitanja.veliki ili ako seispitaniku
žuri, Neki Ijudi lakše odbijaju sagovomika preko telefona, pa stopa neodgovora
može biti visoka. S dnige strane, n ^ i j j u d i će pre pristati-da.odgovaraj.u preko
telefona nego da puste_stranca_a Ne samo da je ova vrsta ankete o,grani£sna
na-domaćinstva koia imaiu..telefon. nego je oeraničena i na ..one_koj,i„pris.tajiLda
djgnu.sluaalicu (danas su sve prisutnije „telefonske sekretarice” i identifikacija
pozivnog broja - „caller ID” - koji služe ispitaniku da vidi ko ga zove i da odluči
da li će odgovoriti ili ne).
Ako se osoba javi i ne spusti slušalicu odmah, postoje razne telinike i
preporuke kako da se motiviše za dalji razgovor. Kada4nter.vjuisanje počne, bez
obzira što nije licem-u-lice, o iio Je sle jd ir^ n a J« m ^ ^ što znači da anketar
može postaviti potpitanja i pružiti dodatne informacije, ali se, s druge strane,
omogućava neobučenim anketarima da postavljaju sugestivna pitanja.
Medutim, ako je upitnik koji se primenjuje u telefonskoj anketi kratak,
pilanja jednostavna i ne zahtevaju duge razgovore i objašnjavanja, a od uzorka se
ne zahteva da bude reprezentativan, telefonska anketa je vrlo praktično rešenje.
Treba dodati i to da se njome izbcgava organizacija i kontrola velike mreže
anketara, koja je potrebna za lično intervjuisanje.
/l^ š ta n s k a ja n k cta j- Poštanske ankete su ]oš-jednostaviiije i jeftinije. .ad
telefomkih^ d M b ^ n .znatao duže. Anketiranje putem upitnikakoji se šaljupoštom
(ili nekim dmgim sličnim načinom) ima i odredene prednosti u odnosu na ankete
licem u lice (v. poglavlje o upitniku). Qsn.o.Yni pr£!blem-Ovog.tipa,ankete.je-v/.?ofc3
stopa neodgovoni, 40-70.%, koja je pri tome, visoko selektivna. Istraživači se
herojski bore da bi popravili stopu vraćenih upitnika i smislili su razne tehnike
koje su obrađene u glavi o sprovođenju istraživanja.
Nažalost, nijedna od tehnika se nije pokazala dovoljno efikasna, niti su
njeni efekii važili uvek. S druge strane, značajno su poskupljivale i usporavale
islraživanje, čime je slanje upitnika poštom izgubilo svoje prednosti. Zato se
danas misli da trcba izbcgavati poštansku anketu kad god je to moguće i ukoliko
niste sigurni da ćete stopu neodgovora smanjiti na 10-20% (kako biste izbegli
pristrasnost zbog selektivnog odbijanja).
[Iiit^rnct a n k e ta .- Pod Internet anketama se mogu podrazumevati različite
stvari. Prvo i osnovno je anketiranje preko web stranica, ali se Intemet može
koristiti i za slanje i vraćanje upitnika e-mailom. Zbog značaja koji ima primena
računara u anketnim istraživanjim a, ta će tema biti obradena u sledećem
poglavlju.
L ongitudinalno anketno istra,živanje.- Anketno istraživanje može biti i
longitudinalno (v.). Kada se sprovodi kao longitudinalno, naziva sepanel istraži-
vanjem. Panel istraživanja se izvode u dva ili više talasa. U svakom talasu se daje
isti ili sličan upitnik istom uzorku ispitanika, Postoji problem oko uveravanja
ispitanika da je takva anketa anonimna. Rešenje se može potražiti u tome da se u
pi-vom talasu uzme veći uzorak i da se svi ispitanici pitaju da li su saglasni da
učestvuju i u sledećim talasima. Naravno, unatoč datoj saglasnosti, u svakom
sledećeni talasu treba očekivati određenu stopu neodgovora koja se u ovom
slučaju kumulira.
Anketna istraživanja su pogodna za logitudinalne analize, bez obzira da li
su inicijalno tome namenjena. Ove analizc imaju karakter analize sekundarnih
podataka (v.), ali se može koristiti i meta-analiza (v.). Ovakve studije trcnda su
posebno olakšane ukoliko postoje nacionalne ili lokalne arhive istraživačkih
podataka. Kod nas je u toku razvoj nacionalne arhive istraživačkih cm pirijskih
podataka iz društvenih nauka - NEDA (National Social Science Em prical Data
Archive). U razvoju arhive učestvuje Konzorcijum instituta, pod vodstvom C enlra
za politikološka istraživanja i javno mnjenje (ww\v.cpijm.org.yu) Instituta druš-
tvenih nauka u Beogradu, a autor ove knjige je pisac softvera. Polaznu osnovu
ove arhive čini postojeća meta-baza istraživačkih podataka - CPIJM Research
Data. NEDA je integrisana arliiva istraživačkihpodataka ']qx sadrži kako izvorne
podatke, tako i metapodatke o istraživanjima, a osim toga sadrži procedure za
pristup i analizu tih podataka. Na primer, raspolaže funkcijom pretraživanja
tekstova varijabli i kategorija i njihovih ključnih reči, fomiiranjem (rekvencija
odgovora, analizom kontingencionih tabela i analizom trendova.
Vođcnje d n cv n ik a.- Pošto su mnoga istraživanja pokazala da se ne valja
osloniti na memoriju ispitanika o tomc šta su radili u prošlosti, koliko je ncšto
trajalo, kad je počclo i sl., pokušana su razna rešenja tog problema. G encralno,
kada ispitanici moraju da se prisete nekog događaja, oni će to uraditi lakše i bolje
ako im se pomogne da uporcde taj dogadaj sa nekim drugim, ako im se ponude
neki vremenski reperi i sl. Medutim, jedno od najboljih, ali i najzahtevnijih
rešenja je da se ispitanicima dadne nalog da vode dncvnik o svom ponašanju koje
interesuje istraživača: kada su gledali televiziju, koliko sati su potroSili na
kupovinu, koliko puta su dncvno slagali itd. Ispitanicima se za te svrhe m ogu
podeliti priprcmljcni formulari koji ćc olakšati upisivanje. Tehnika dncvnika i
upitnika se mogu kombinovati.

2. Računarski podržano anketiranje

Danas u opticaju postoji veći broj tehnika u ovoj oblasti i veći broj različitih
naziva, pri čemu se neki nazivi preklapaju ili koriste naizmcnično. Sve ove tchni-
ke se obično podvode pod opšti pojam računarski podržanog prikupljanja podata-
ka, ili cngl. Computer assisted data coUection, CADAC. Nabrojaćemo iikratko
glavne nazive tih tchnika i engleskc skraćenice koje se često sreću u literatiu-i.
• Računarski podržano telefonsko anketiranje; Computer A ssisted (ili
Aided) Telephone Interviewing, CATI.
• Računarski podržano lično anketiranje; Computcr A ssistedP crsoncd
Intervicwing, CAPI.
• Računarski podržano lično odgovaranje; Computer A s sis te d S e lf In ter-
vicwing, CASl (to se može organizovati kao CAPl, tako što intervjuer
 pruži prenosni računar ispitaniku - u tom slučaju to se naziva CASI-IP,
Interviewer Present).
• Računarski podržani upitnici; Computerized Self-Administered
Questionnaire, CSAQ. CSAQ se može realizovati kao DBM {Disk By
Mail) metoda u kojoj se disketa sa programom za intervjuisanje šalje ispi-
taniku na njegovu adresu, on je stavlja u svoj računar, pokreće program i
odgovara na pitanja), ili na sledeće načine.
- EMS, ili Electronic Mail Survey je postupak kada se upitnik i
uputstva za popunjavanje šalju ispitaniku elektronskom poštom. On onda
daje odgovore popunjavajući poslate fonTiulare i vraća ih, obično takođe
elektronskom poštom istraživaču.
- Na ovaj (ili sličan) način se mogu sprovoditi i panel istraživanja kao
Computer Assistcd Panel Research (CAPAR). Ispitanici dobijaju spisak
pitanja na koja moraju odgovoriti i na njih odgovaraju u nekoliko navrata, u
fiksnim intervalima, na primer, jednom nedeljno tokom jednog mescca. U
istraživanjima sa dobrim budžetom se čak praktikovalo da se ispitanicima
instahra personalni računar sa modcmom.
• Kada se ispituju pojave u realnom vremenu, recimo gledanost telc-
vizijskih emisija, nijedna od prethodnih metoda nije pogodna. Zato u
zadnje vreme dobijaju na populamosti metode za ispitivanje gledanosti
televizije „tv-metri” {m g\. people meter).
• Internet ankete - ih glasanje preko web straniea. Danas je to veoma
čcst, jeftini i brz način anketiranja. Intemet ankete imaju „ugraden” pro-
blem uzorka, jer učestvuju samo oni ispitanici koji pristupe web stranici i
koji pristanu da odgovore. Ako se pitanja odnose na samu wcb prezen-
taciju i tematiku na koju se ona odnosi, onda se uzorak eventualno može
prihvatiti kao rcprczentativan. Kod nas je zasada to visoko selekcioniran
uzorak, jer u trenutku pisanja ovog teksta Internet koristi nešto preko 23%
stanovništva, od kojih je 43% mlađih od 29 godina, 35% ima najmanje
višu školu, a skoro 80% ih ima najmanje srednju školu.^“
Postoje kombinacije ovih načina intervjuisanja sa razhčitim tehničkim
mogućnostima koje pružaju računari. Na primer, pitanja može izgovarati (preko
telefona, ili direktno) sam računar. Takode, ispitanici mogu odgovarati glasom,
jednostavnim odgovorima kao što su ,,da” i ,,ne”, a da računar koristi automatsko
prepoznavanje govora i na taj način beleži odgovore. Nije poznato da u ovom
trenutku postoji opcrativno komercijalno rešenje za ovakav tip anketiranja na na-
šem jeziku. Postoje i razHčiti uređaji koji mogu da registruju odgovore ispitanika
pomoću pritiska prsta i da te odgovore šalju modemom centrahiom računaru.
U CADAC metodama, intei-vjuer obično čita pitanja sa monitora računara i
odmah upisuje odgovore ispitanika (svejedno da li preko telefona - CATI, iH
lično - CAPI). Odgovori se, dakle, odmah beleže. Zatim, česta je praksa u upitni-

™ Podaci iz istraživanja „JJM184" .sprovcdenog u Srbiji i Cmoj Gori u dcccmbru

2004. gođine od stranc Ccntra za politikološka istraživanja i javno mnjcnjc.
cima za ispitivanje javnog mnjenja da se na osnovu jednog odgovora odlučuje o
sledećim pitanjima koja će se postaviti (ako ispitanik siuša neki radio A'; onda mu
se postavlja pitanje kada ga sluša ili koje inu se emisije sviđaju, a u protivnom mu
se ta pitanja ne postavljaju). Poznato je da anketari prave greške u takvim situaci-
jama pa pitaju ispitanika o emisijama koje mu se svidaju, čak i ako je on rekao da
ne sluša taj radio. Poznato je, takođe, da ispitanici u takvim situacijama ne odgo-
varaju uvek sa ,,ne znam”, nego prikazuju luda ili opšta mišljenja kao svoja. U
slučaju računarski podržanog intervjuisanja, računar uopšte neće prikazati pitanje
o preferiranira emisijama ako je ispitanik prethodno odgovorio da ne sluša radio.
Jedna vrlo važna potencijalna prednost računarski podržanog intervjuisanja
je u mogućnosti menjanja redosleda pitanja. Odavno je uočeno da redosled posta-
vljanja pitanja utiče na odgovaranje ispitanika. Ne samo da se pitanja mogu birati
slučajnim izborom, ncgo se i redosled opcija (alteraativa) može slučajno varirati.
Kontrola podataka je važan aspekt svake empirijske metode. U klasičnom,
papir i olovka intervjuisanju, logička kontrola podataka se vrši pre ili tokom uno-
sa podataka. Nažalost, kada se utvrde greške, ispravka je obično nemoguća i
uobičajeno je da se pogrešni odgovori kodiraju kao ,,bez odgovora”. Kod CATI,
računar može odmah da proveri da li je odgovor u predviđenom opsegu, da Hje u
logičnom odnosu sa nekim prethodnim odgovorima i može sugerisati intervjueru
(ili ispitaniku) da proveri odgovore.
Naravno, faza unosa podataka se polpuno preskače kod CADAC metoda
(osim u nekim specijahiim slučajevima) i podaci su raspoloživi odmah nakon
završelka intervjuisanja.
Računar može egzaktno da evidentira sve događaje tokom intervjuisanja:
koliko je bilo odbijanja, koliko puta se moralo zvati telefonom (kod CATI), koli-
ko je trajao intervju itd.
Računar može pomoći i oko otvorenih pitanja, tako da odmah vrši kodi-
ranje, proveru dotada uspostavljenih kategorija i njihovo prilagođavanje, ako je
potrebno. Na računaru se mogu prezentirati i neki nestandardni formati pitanja,
kao što su duži ua kojima ispitanik mora da označi svoj položaj, ili neki niz foto-
grafija koje ispitanik mora da prepozna itd.
Tokom CATl računar može da vodi kompletan posao oko nalaženja brojeva
telefona koji će se zvati i samog fizičkog biranja broja. Ako veza nije bila
uspostavljena, računar (tačnije, računarski program za CATI) može zapamtiti taj
broj i pokušavati sa ponovnim zvanjem neki zadati broj puta, ili dok se veza ne
uspostavi. Ako ispitanik nije kod kuće, ih nije trenutno u mogućnosti da razgo-
vara, anketar može unijeti dogovoreno vreme ponovnog zvanja, a računar će ga
podsetiti na to.
Što je još važnije, računar može pratili kvote na osnovu unesenih odgovora
ispitanika i upozoravati intervjuera npr. da mu „treba još žena” (ako je korišćeno
kvotno biranje).
Sto se tiče eene koštanja, generalni nalaz je da su troškovi u početku veliki,
ali se kasnije ostvaruju uštede. Takođe, na pripremu i razvoj „elektronskog” upit-
nika treba utrošiti više vrcmena (dakle na početku istraživanja), ali se kasnije
iištedi na unosu podataka i logičkoj kontroli. Potrebna je obuka anketara za
CADAC, ali zato je obuka za samo sprovođenje intervjua manja ~ jer program
sam odabira pitanja i vodi računa o ispravnosti odgovora.
Što se tiče metodoloških prednosti i mana i valjanosti prikupljenih podata-
ka, još ne postoje defniitivni podaci o tome. Kod neiskusnih anketara računar
može ometati njihov kontakt sa ispitanikom u smishi da im pažnja bude okupirana
manipuhicijom tastaturom i mišem. S dnige strane, iskusni anketar, koji zna da ne
mora paziti koje pitanje sad ide, a koje n e ide, može osećati veći konfor nego kod
papirnog upitnika.
Isto tako, akoje ispitivanje CASI (bezprisustva anketara), ispitanik se može
osećati otudcn i uphišen novom tehnikom, aH, s druge strane, može se osećati
slobodniji da odgovara na osetljiva (hčna) pitanja.
Naravno, u našim uslovima, tehnike ,,bez anketara”, koje se zasnivaju na
tome da ispitanik direktno odgovara koristeći računar, u istraživanjima koja se
odnose na opštu populaciju, su vrlo malo verovatna.
Tv-metri ih „people metri” su i k o d nas ušh na velika vrata, ah pošto su ti
uredaji vrlo skupi koriste ih samo najveće marketinške agencije. Oni su naslednici
„dnevnika”, formulara koji su deljeni gledaocima i u koje su oni bih dužni da
upišu kada i šta gledaju. Danas su aktuelni tzv. prenosni tv-metri, mah uredaji
vehčine pejdžera. Oni registruju specijalne zvučnc signale koje emituje radio
stanica iU tv stanica čija se shišanost ili gledanost ispituje. Ovi zvučni signah nisu
čujni za čoveka, a specijalno su kodirani tako da tv-metar „zna” koja emisija je u
toku. Osobe koje pristanu (uz novčanu nadoknadu) da učestvuju u merenju
gledanosti, a trebale bi da predstavljaju reprezentativan uzorak, nose čitav dan
svoj tv-metar. Tv-metar „pamti” sve em isije koje je osoba shtšala i kasnije ih šalje
(obično modemom) agenciji koja sprovodi merenje gledanosti. Naravno, tv-metri
mogu da registruju samo da je osoba u prostoriji u kojoj se čuje neka emisija, a ne
i da )i osoba stvarno shiša ih gleda em isiju i šta mish o toj emisiji (može, na
primer, da ima shišahce i da shiša vokmen). Na osnovu merenja gledanosti putem
tv-metara televizijske stanice mogu da zinaju koHko Ijudi je u svakom trenutku
bilo bhzu televizora kada su se em itovale njihove emisije. Moguće je očekivati
dalji tchnički razvoj ovih uređaja u pravcu registrovanja stavova ispitanika o
praćenim cmisijama, a moderni uređaji već danas mogu promptno da šalju
rezuhate putem mi'eže mobihie telefonije ih sl.
 G. Korelaciono i strukturalno istraživanje

Ova vrsta istraživanja je svakako jediia od najčešće primenjivanih u

naukama o ponašanju. Mnogi autori ova istraživanja vide kao sasvim zasebnu
epistemološku klasu, koja kombinuje eksperimentalni pristup i pristup analize
individualnih razlika (npr. Cattell, 1966). U poglavlju o eksperimentalnim istraži-
vanjima opisan je multivarijatni eksperiment, čiji je protagonista bio Cattell. On
je razlikovao istraživanja čiji je cilj nalaženje zakona od istraživanja čiji je cilja
otkrivanje stmkture. Međutim, ono što je važno, Cattell je i ovim drugim pripisi-
vao mogućnost da donose kauzalne zaključke - recimo, latentna osobina anksio-
znosti je uzrok slabije pažnje, lošeg raspoloženja, nepoverenja u budućnost itd.
Zbog toga ćemo korelaciona istraživanja razvrstati u dve podvrste.
a) Studije koje se zasnivaju na nekom indikatom povezanosti - koeficijentu
korelacije - i imaju za cilj da utvrde povezauost dve ili višc varijabli, ili još
jedan korak dalje, da utvrde da li se iz jedne od tih varijabh mogu predvi-
deti druge - cilj predviđanja ili predikcije.
b) Studije koje primenjuju multivarijatne tehnike da otkriju latentne struk-
turc iza manifcstnih varijabli, pa zapravo služe za istraživanje skrivenih i
duhinskih izvoraponašanja, zbog čega ih nazivamo strukturalnim. O mani-
festnim i latentnim varijablarna je raspravljano u uvodnim poglavljima.
Obe podvrste se mogu nazvati korelacionim, što se obično i čini, zbog toga
što se zasnivaju na kovarijacijama manifestnih ponašanja, bilo da se bave predik-
cijom ili strukturom. Medutim, ne treba misliti da se u korelacionim studijama
koristi samo tehnika korelacije ili regresije. Moguće su sve statističke tehnike kao
što su multidimenzionalno skaliranje, klaster anahza i drugo.
Kada se radi o korelacionim studijama prvog tipa, onima koji se bave
predikcijom, današnji istraživač bi smatrao da su ona neeksperimentalna. Kada
bismo mu tražili da opiše razliku izmedu eksperimentalnih i korelacionih istraži-
vanja, on bi verovatno dao jedan intuitivan odgovor. Prava ekspcrimentalna istra-
živanja se sprovode na malom broju objekata, razvrstanih u striktno defmisane
gmpe, kontrola varijabli je striktna, a manipulacija varijablama i objektima nepo-
sredna. Nasuprot tome, korelacione studije su obično terenske, obuhvataju velike
uzorke objckata i, obično, veliki broj varijabli, a kontrole i manipulacije varijabli
uglavnom uopšte nema. Eksperimcntalna istraživanja imaju za cilj da utvrde
uticaje jcdnih varijabli na drugc, dok korelaciona imaju za cilj otkrivanje poveza-
nosti varijabli. Korelaciona istraživanja se zasnivaju na analizi individualnih
razlika. Kao ilustraciju korelacionih istraživanja današnji istraživač bi naveo
anketna istraživanja.
No, takvo razlikovanje eksperimentalnih i korelacionih istraživanja je samo
delimično tačno i može dovesti do grešaka u prepoznavanju tipa istraživanja. Kao
 prvo, ono ima u vidu samo prave eksperirnente i to laboratorijske. Ako pod
eksperimentalnim istraživanjem podrazumevamo i kvazi-eksperimente i terenske
eksperimente, onda ćemo videti da se i oni mogu sprovoditi na terenu, na velikim
uzorcima, sa velikimbrojem varijabli i sa metodologijom sličnom terenskim istra-
živanjima (npr. upitnicima).
Takođe, individualne razlike na izvestan način predstavljaju osnovu za-
ključivanja i u eksperimentalnim istraživanjima. Za razliku od korelacionih istra-
živanja, individualne raziike se u eksperimentima tretiraju kao nepotrebna ili
neželjena varijansa i koriste se za poređenje sa eksperimentalnom varijansom -
varijansom tretmana.
Razlikovanje eksperimentalnih i korelacionih istraživanja je još teže ako se
u obzir uzmu strukturalna istraživanja. Glavno pitanje po kome se razlikuju eks-
perimentalna i neeksperimentalna istraživanja je pitanje utvrdivanja uzročnosti.
Po klasičnom shvatanju samo prva mogu da utvrde uzročnost. Međutim, struk-
turalna istraživanja su namenjena objašnjavanju manifestnog ponašanja, tražeći
latentne uzroke tog ponašanja. To znači da su u logičkom smislu i ona kauzalna
istraživanja. No, razlika u odnosu na eksperimentalna istraživanja se može povući
na osnovu postojanja manipulacije nezavisnim varijablama - stnikturalna istra-
živanja je nemaju.
Korelacione studije pokrivaju izrazito široku i raznoliku oblast istraživanja.
One se tipično sprovode za utvrđivanje mogućnosti predvidanja ponašanja ili
utvrdivanja latentnih izvora ponašanja. To je samo malo drugačije formulisan cilj
eksperimentalnih studija: ,,da se otkriju uzroci ponašanja”. Radi se samo o stepe-
nima, gradacijama i različitim kombinacijama gradivnih elemenata istraživanja
koji su ranije spomenuti: objekti, varijable i vreme. Da bi čitalac mogao, konkret-
no, da razhkuje eksperimentalne i korelacione studije, najbolje je da: a) eliminiše
iz razmatranje korelacione i MVA tehnike jer se one mogu koristiti u svim tipovi-
ma istraživanja i, zatim, b) da razmotri da li je bilo eksperimentalne manipulacije
nezavisnom varijablom(ama).

1. Predikcija i uzročnost

O povezanosti i odnosu pojmova korelacije i uzročnosti detaljno je

razmatrano u ranijim glavama (v. str. 54 i 80). Kao što je tamo rečeno, korelacija
odnosno kovarijansa je sanio jedan od kriterijuma za utvrdivanje uzročnosti. Zato
ako utvrdimo da izmedu dve varijable postoji korelacija, ne smemo da tvrdimo da
između njih postoji uzročna veza. Ali ne smemo da tvrdimo i da ne postoji. Pod-
setimo se dva osnovna tumačenja korelacije: ih je jedna varijabla izvor drugoj, ili
obe imaju zajednički izvor.
Da bismo se mogli pozvati na uzročnost, jedna varijabla mora dolaziti pre
druge i moraju biti eliminisani dmgi mogući izvori ove povezanosti. Ovaj drugi
uslov se obično ilustruje tzv. prividnim korelacijama, koje je najbolje defmisati
kao korelacije koje nisu posledica uzročno-posledične veze. O takvim korela-
cijama razgovarano je u poglavlju o moderatorskim i medijatorskim varijablama.
Poznati primer kojim se ilustruju teškoće prividnih koreiacija navode Shaughnessy i
sar. (2000). Utvrđeno je, naime, da postoji značajna pozitivna korelacija između potrošnje
sladoleda i stope kriminala - više siadoleda više tuča, ubistava i napada. Neoprezne je to
navelo na zaključak da sladoled na neki način utiče na porast nasilja. Istražujući dalje tu
pojavu, utvrđeno je da ona potpuno nalikuje odavno poznatoj povezanosti izmedu tempe-
rature i agresije - leti je najviše tuča. Prirodno je, naime, da je leti najveća potrošnja slado-
leda. Pri tome, podaci ukazuju da ne postoji povezanost temperature i krađa (imovinskog
kriminala) i da je povezanost temperalura sa ubistvima manja nego sa tučama (u decembru
je broj ubistava sličan kao u julu). Tih nekoliko dodatnih podalaka bacilo je sumnju na uzro-
čnu povezanost sladoleda i vručine sa agresijom.
Povezanost izmedu temperature i nasllja bi jednako dobro mogla biti objašnjena time
što je leti omladina na raspustu a Ijudi na godišnjim odmorima, što se više izlazi, što se više
dolazi u bliski kontakt sa drugim Ijudima, što se leti pokreću Ijubavne veze itd. To su sve
okolnosti koje mogu dovesti do nasilja. Postoji, dakle, barem jedno plauzibilno alternativno
objašnjenj'e povezanosti temperature i nasilja. Zbog toga navedenu korelaciju ne možemo
smatrati dokazom uzročnosti, već je sa podjednakom izvesnošću možemo smatrati
prividnom.

Ako korelacija implicira uzročnost, i ako se to kasnije dokaže, ona pred-

stavlja objašnjenje zavisne varijable, onako kako to zahteva definicija kauzalnog
naučnog zakona. U istraživanju ponašanja mali je broj takvih bivarijatnih korela-
cija za koje možemo reći da predstavljaju kauzalne naučne zakone. Za većinu
korelacija se, pre ili kasnije, pokaže da su zasnovane na medijatorskim, modera-
torskim, ili varijablama koje su izvor i jednoj i drugoj varijabli.
Medutim, ni jedna od tih konfiguracija varijabli ne čini da su pojedinačne
korelacije beskorisne. Svaka korelacija kojaje stabilna i nije posledica statističkih
artefakata (jer neke korelacije mogu biti posledica načina merenja varijabli)
predstavlja jedno znanje o stvarnosti više. Ako znamo da će leti biti više tuča,
možemo angažovati više čuvara reda, pripremiti skižbu hitne pomoći, delovati
preventivno itd. Ako ništa dnjgo, takva korelacija može biti osnova za dalja
istraživanja - dakle podsticaj novim hipotezama.
Slično korelaciji temperature i agresivnosti utvrdene su i pozitivne korela-
cije prikazivanja nasilja na televiziji i nasilja na ulicama. Na osnovu tih korelacija
možemo da predviđamo šta će se desiti nakon prikazivanja boks mečeva ih
nasihiih fihiiova. Taj praktični zadatakje nauka ispunila, medutim, jedan dmgi i
važniji zadatak nije - nije rečeno zašto postoji povezanost nasilja na tv i na
ulicama.
Predviđanje na osnovu korelacije se nekad naziva statističkim ili arhivskim
(engl. actuarial), zato što može da poshiži za praktične svrhe, za planiranje dru-
štvenih akcija i za pohtičke odluke. Onima koji odlučuju će biti korisno da znaju
da će u poncdeljak ujutru biti više samoubistava, da učenici koji počnu da se
povlače iz društva trebaju stručnu pomoć, da će inteligentniji biti uspešniji na
poshi, da će novoformirane grupe uvek biti ,,na ratnoj stazi” sa postojećim itd.
Korisnost tih korelacija postoji unatoč tome što se možda radi o prividnim
vezama, odnosno što nema objašnjenja za njihovo postojanje.

2. Strukturalno istraživanje

Strukturahia istraživanja su korelaciona istraživanja koja na osnovu

opaženih korelacija manifestnih varijabli tragaju za latentnim varijablama. U
glavi 0 individualnim razlikama rečeno je da je osnovni cilj analize individualnih
razhka upravo u traganju za njihovim izvorima. Korelacije varijabli koje sadrže
individualne razlike (ovde ih zovemo deskriptivnim) su put kojim možemo ići da
bismo zavirili iza zavese manifestnog ponašanja i potražih izvore.
Strukturalna istraživanja se po pravilu odiikuju primenom multivarijatne
analize (MVA). Tehnike MVA su pravi primer implementacije ideje redukcije
dimenzionalnosti koju smo izložili u poglavlju o anahzi individualnih razlika.
Faktori ih dimenzije koji se konstruišu tokommuhivarijatne analize predstavljaju,
matematički i logički, zajedničke generatore varijanse manifestnih varijabli. Ovi
generatori se nazivaju latentnim varijablama i predstavljaju nepoznate i skrivene
konstrukte za koje očekujemo da su izvori (uzroci) manifestnih varijabh.
Najčešće koriščene multivarijatne tehnike u strukturahiim istraživanjima
ponašanja su: faktorska anaUza, kanonička korelaciona anahza i (kanonička)
diskriminaciona analiza.

H. Transferzalno i iongitudinalno
istraživanje

Vrlo važna je i podela istraživačkih naerta u pogledu „faktora vreme”.

Istraživanja koja nemaju za cilj praćenje vremenskih promena nazivaju se trans-
ferzalnim, a ona koja su namenjena praćenju vremenskih promena nazivaju se
longitudinalniin. Transferzalna istraživanja ih studije preseka (engl. cross-
sectional) prikupljaju podatke u jednom vremenskom trenutku, a logitudinalna u
više uzastopnih vremenskih tačaka. Transferzalna istraživanja se obavljaju
jednom, u jednoni trenutku, makar se sastojala iz pretesta i posttesta i nemaju za
cilj da istražuju uticaj vremena na promene zavisnih varijabli.
U prethodnim glavama često je spominjano vrerne kao važan element
istraživačkog nacrta. Na prvom mestu, za nacrt ponovljenih merenja je rečeno da
predstavlja vrstu longitudinalnih istraživanja. Opisan je i kvazi-eksperimentalni
nacrt prekinutih vremenskih serija, a longitudinalni aspekt pomenut je i kod
anketnih istraživanja, tačnije panel studija. U eksperimentalnim istraživanjima
vreme je takođe važan epistemološki element, ali samo kao potka za prvi uslov
uzročnosti: post hoc. U pravom eksperimentu, vreme koje protekne između
pretesta i posttesta nije samo po sebi zanimljivo, ono je potrebno da se na
eksperimentalnoj grupi obavi tretman i da se njegovi efekti pokažu na zavisnoj
varijabli.
Kada se prati razvoj neke pojave tokom vremena, onda se to čini u okviru
longitudinalnog istraživanja. Longitudinalna istraživanja se nekada nazivaju stu-
dijama trenda (što je pre literami nego stručni termin), a na engleskom se često
nazivaju foUow up istraživanjima. U longitudinalnom istraživanju se merenja
zavisne varijable ponavljaju tokom vremena. Istraživači pretpostavljaju da se
zavisne varijable menjaju tokom vremena delovanjem brojnih i nedovoljno po-
znatih uzroka, ili delovanjem nekog odredenog, poznatog uzroka (koga možemo
nazvati tretmanom), a istraživanje treba da odgovori na pitanja o tome šta se
menja, koliko se menja, da li između promena različitih varijabli postoje veze itd.
Promene kod dece ili Ijudi, do kojih dolazi protokom vremena, vrlo su često
predmet naučnog istraživanja. Klasična u tom pogledu su razvojna istraživanja,
koja su se nekada romantično nazivala „genetskim istraživanjima” (danas postoji
posebna, vrlo dinamična naučna disciplina u okviru biologije koja se bavi
genetskim istraživanjima, koja nemaju ničeg zajedničkog sa pomenutim istraži-
vanjima razvoja). Razvoj se može ticati ne samo pojedinaca, nego i društva,
društvenih grupa, društvene delatnosti, proizvodnje itd.
Medutim, zanimljivo je da se istraživanje razvoja može vršiti na dva načina:
transferzalni i longitudinalni. U transferzalnom načinu se u istom vremenskom
trenutku ispituju različite uzrasne gnipe - kohoite (v.) - i analiziraju se razlike
između njih. Transferzalni način je znatno ekonomičniji i brži. Recimo, ako
želimo da ispitamo promene u stavovima kod Ijudi između 20. i 50. godine života,
za longitudinalno istraživanje trebalo bi nam 30 godina, a rezultate iz trans-
ferzalnog dobićemo odmah.
Medutim, transferzalno istraživanje na kohortama ipak ne izučava delovanje
varijable razvoja, kao nezavisne varijable, na ponašanje, nego registruje postojeće
razlike koje mogu biti prouzrokovane različitim uzrocima (efektom kohorte, v.
kasnije). Jedini pravi način da se donesu zaključci o delovanju razvoja je longi-
tudinalno istraživanje. Pored toga, longitudinalno istraživanje omogućuje da se
utvrdi povezanost jedne varijable (obično zavisne) na jednom uzrastu, sa nekom
drugom varijablom na drugom uzrastu. Recimo, ako želimo da utvrdimo kako
porodična atmosfera na uzrastu od pet godina deluje na školski uspeh na uzrastu
od 13 godina, moraćemo da sprovedemo longitudinalno istraživanje. Postoji,
doduše, mogućnost da sprovedemo retrospektivno istraživanje (v.) tako što ćemo
ispitati učenike sa 13 godina, pa ćemo onda intervjuisati njih i njihove roditelje o
porodičnoj atmosferi u prošlosti.
Za analiziranje delovanja „razvojne varijable” longitudinalna istraživanja su
jedini pravi odgovor. Medutim, ne samo da traju dugo i da su skupa, ona imaju
ozbiljan nedostatak mortaliteta (v. ugrožavanje validnosti). Ispitanici odustaju,
gube interes, sele se, umiru - što može biti selektivno, tako da uzorak na kraju
istraživanja više nije onaj isti sa kojim je istraživanje počelo. Retko koje longitu-
dinalno istraživanje je završilo sa uzorkom sa kojim je počelo. To ugrožava
intemu i ekstemu validnost longitudinalnih istraživanja. Neki lukavi istraživači
nastoje da umanje štetu nastalu zbog mortaliteta tako da u prvom istraživanju
prikupe sve osnovne podatke o ispitanicima, kako bi u kasnijim merenjima mogli
barem da kontrolišu karakteristike ispitanika koji su otpali.
Nije samo mortalitet taj koji preti validnosti longitudinalnih istraživanja. To
može biti i pojava senzitizacije (v.). Ispitanici mogu, naime, herojski nastojati da
budu konzistentni tokom istraživanja. To se posebno često uočava prilikom
ispitivanja stavova. S druge strane, opet, može postojati i efekat senzitizacije u
suprotnom smeni. To se desilo u istraživanju poremećaja ishrane koje je izvršeno
u razmaku od 10 godina, prvo dok su ispitanici bili studenti (1982. godine) i
dmgo 1992. g. Primećeno je da su se odrasle žene, sada udate i sa decom, osećale
neprijatno da kažu da i dalje imaju problem sa dijetama, problem koji podseća na
adolescenciju.
Ovo istraživanje je ukazalo na još jednu zanimljivu mogućnost. Istraživači
su, naime, osim longitudinalnog istraživanja sproveli i dva transferzalna, odnosno
ponovili su ispitivanje na tekućim studentima 1992. godine. Postojao je pad u
problemima sa ishranom u generaciji 1992. u odnosu na generaciju 1982. (manje
su se držale dijete). Medutim, kohorta 1982. je pokazalajoš veći pad u problemi-
ma sa ishranom u longitudinalnom istraživanju. Na osnovu poređenja transfer-
zalnog i longitudinalnog istraživanja može se zaključiti da je jedan deo smanjenja
problema sa ishranom nastao zbog individualnog sazrevanja, a drugi zbog prome-
njene dmštvene klime.
Citalac je već uočio da smo dosada podrazumevali da se u longitudinalnim
istraživanjima isti ispitanici podvrgavaju merenjima više puta. Precizan nacrt koji
obuhvata ponovljena merenja, specijalizovanu tehniku analize varijanse i logiku
smanjivanja varijanse greške obrađen je u poglavlju o eksperimentalnim istraživa-
njima. lako se nacrt sa ponovljenim merenjima doininantno tretira kao posebna
vrsta eksperimentalnog nacrta, pristup ponovljenih merenja istih ispitanika je oči-
gledno jedan od temelja longitudinalnih istraživanja.
U nacrtu ponovljenih merenja postoji manji broj merenja na istim objek-
tima, za koje nije važno da li su obavljena u pravilnim vremenskim razmacima.
Statistička analiza nacrta sa ponovljenim merenjima se obavlja pomoću specijali-
zovanog nacrta analize varijanse sa ponovljenim merenjima, gde ponovljena
merenja predstavljaju posebnu vrstu faktora („unutar subjekata”, engl. vvithin
subjects).
Nasuprot nacrtu sa ponovljenim merenjima, longitudinalna istraživanja
mogu irnati i nacrt vremenskih serija (engl. time series). U vremenskim serijama
se merenja neke pojave obavljaju u većem broju pravilnih vremenskih razmaka
(zaključci su to bolji što je broj merenja, vremenskih intervala, veći). Ovaj nacrt
se mnogo primenjuje u istraživanjima poslovanja, menadžmenta, industrijskog
marketinga i u ekonomiji (npr. kretanje prodaje ili proizvodnje). Za statističku
obradu vremenskih serija postoji posebna grupa tehnika koja se upravo tako i
naziva: analiza vremenskih serija, ili jednostavno, vremenske serije (najpoznatiji
tip takve analize je ARIMA - Autoregressive Integrated Moving Average) .
Vremenske serije ;7epodrazumevaju iste ispitanike, pa ne podrazumevaju ni
logiku smanjivanja varijanse greške sa ciljem povećanja osetljivosti istraživanja.
Meri se mesečna potrošnja, kvartalna proizvodnja, godišnja stopa kriminala,
mesečni broj razvoda itd. Na grafikonu se na apscisi unose vremenske tačke, a na
ordinati vrednosti zavisne varijable. Nakon što se unesu vrednosti merenja i tačke
povežu linijom, dobije se grafikon vremenske serije. Ovi grafikoni se mogu
zamisliti kao kretanje tačke kroz vreme, analogno Braunovom kretanju čestica.
Uobičajeni grafikoni vremenskih serija upravo liče na Braunovo kretanje: velike
oscilacije na gore i na doie.
Osnovni zadatak analize vremenskih serija je da u tom, na prvi pogled
nasumičnom, kretanju tačke uoče neki tre n d i da nacrtaju krivulju trenda. Da bi se
obavio ovaj zadatak, postojeća vremenska serija, u obliku nasumičnog kretanja,
razbija se u komponente: a) dugoročni ili sekularni trend, b) ciklična kretanja ili
ciklične varijacije, c) sezonska kretanja ili sezonske varijacije i d) nepravilna ili
slučajna kretanja. Ne moraju u svakoj vremenskoj seriji postojati sve ove
komponente, cilj analize vremenskih serija je upravo u tome da prepoznaju one
komponente koje su značajne. Nekada je dovoljno nacrtati grafikon vremenske
serije da se uoči da li postoji prva komponenta, dok je ostale teže ili nemoguće
uočiti sa grafikona. Ono što je posebno važno kod vremenskih serija; nakon što se
uoči krivulja trenda, mogu se praviti predikcije za budućnost - koliko se može
očekivati dece žrtava saobraćaja u sledećoj godini.
Vidljivo je da longitudinahia istraživanja imaju još jedan problem - zahte-
vaju složene statističke tehnike. Nekada se one mogu zaobići crtanjemjednostav-
nog grafikona, ali najčešće ne. Zbog velikih oscilacija merenja, koje su uobi-
čajene, lako se donose pogrešni zaključci i lako bude obmanuta čak i „statistika”.

1. Istraživanje kohorti

Istraživanja u kojima se izučava uticaj vremena na promene nazivamo

analizom kohorti. Kohorta je grapa pojedinaca koji se odlikuju nekim zajed-
ničkim dogadajem ili iskustvom koje su doživeli u isto vreme. Prvi i najčešći
dogadaj koji se koristi za defmisanje kohorti i njihovo istraživanje je vreme
rođenja.^' Takode, to može biti datum regrutovanja, učešće u ratu, godina stu-
panja u brak itd.
Analiza kohorti se koristi i u transferzalnoj i u longitudinalnoj postavci, ah
je primena kohorti u transferzalnoj postavci ono zbog čega su one posebno
poznate. Kao primer longitudinalne postavke možemo navesti istraživanje razlika
u stilovima negovanja bebe nekad i sad. Bračne parove ćemo podeliti u kohorte

„Pristup” kohorti se česlo koristi u svakodncvnora govoru kada se slarost iskazuje

godinom rođenja.
po godini sklapanja braka, recimo venčani 1970 i venčani 1990. U tom longitudi-
nalnom istraživanju možemo ne samo pratiti pojave kao što su rođenje dece, stil
negovanje dece, broj dece, materijalni status ili razvodi, nego možemo i porediti
kohortu „1970” i „1990” po tim pojavama. Naravno, istraživanje deli glavni
nedostatak svih longitudinalnih istraživanja - traje barem 20 godina. Ako nas
zanima borbeni moral vojnika, možemo izdvojiti kohortu vojnika regrutovanih u
leto 1992. godine i pratiti vojnike iz te kohorte tokom sledećih nekoliko godina
ratovanja, kada su oni pomešani sa drugim kohortama, i porediti ih sa njima. Isto
tako, možemo istraživati na kojim radnim mestima rade psiholozi iz kohorte
psihologa koji su studije upisali 1980. godine.
No, kao što je rečeno, kohortna istraživanja se najčešće koriste u trans-
ferzalnoj postavci. U toj postavci ćemo, u jednom ograničenom vremenskom
periodu, ispitati nekoliko različitih kohorti i uporediti ih po varijabli koju
istražujemo. Recimo, ako ispitujemo uticaj uzrasta na stil odevanja, analiziraćemo
garderobu Ijudi koji su stari 10, 20, 30 i 40 godina.
Kada se kohorte koriste u transferzalnom nacrtu, može doći do tzv. efekta
kohorte. To je zbir svih efekata koji deluju na kohortu a koji ne potiču samo od
razvoja jedinki, odnosno od dejstva vremena na zavisnu varijablu. Na efekt
kohorte je već ukazano na primeru istraživanja poremećaja u ishrani. Drugi
primer bi moglo biti istraživanje o razlikama stilova oblačenja, Razlike u stilo-
vima ne bi poticale samo od njihovog uzrasta, nego i od razlika u tekućem
društvenom i materijalnom statiisu, ali i različitom obrazovanju, školskom siste-
mu ili dništvenim vrednostima u vremenu u kojem su odrasli. Cozby (2003)
navodi primer transferzalnog istraživanja sposobnosti učenja upotrebe računara u
zavisnosti od uzrasta. Pokazalo se da pedesetogodišnjaci uče sporije od četr-
desetogodišnjaka itd. Medutim, to može, baremjednim delom, biti posledica toga
što stariji imaju manje iskustva sa računarima, dok su mlađi odrasli sa njima.
Jedan od načina da se izbegne efekat kohorte je sprovođenje longitudinalnog
istraživanja, ali se efekat neželjenih faktora - ukoliko su poznati ~ može
eliminisati jednačenjem gmpa ih statistički.

2. Retrospektivno istraživanje

Ovaj tip istraživanja se primenjuje uvek kada istražujemo varijable, pojave

ili dogadaje u prošlosti. U ex post facto istraživanjima, kad god nastojimo da
utvrdimo da li se „desila” nezavisna varijabla ili, što je mnogo bolje, da je
izmerimo, mi vršimo retrospektivno istraživanje. Medutim, prava retrospektivna
istraživanja su ona kod kojih sve varijable pripadaju prošlosti. Takav je slučaj kod
istraživanja samoubistava, gde su se ne samo sve nezavisne ili grupišuće varijable
„desile” u prošlosti (npr. neki događaj koji je provocirao depresiju), nego i sama
zavisna varijabla (suicid).
 Retrospektivno istraživanje se može zasnivati na sekundamim podacima
(v.), proceni i samoproceni učesnika, a mogu se koristiti intervju (v.), upitnik (v.)
i druge metode.

I. Specijalna i namenska istraživanja

1. Komparativna analiza i l<omparativne studije

Značaj poređenja u istraživanjima je opisan u jednom ranijem poglavlju.

Tanio je rečeno da je svako istraživanje u izvesnoni smislu komparativna studija
i da je komparacija sadržana u svakom tipu istraživanja.
Komparativna analiza, kao posebna vrsta istraživanja, poseduje jedan
deskriptivni, odnosno eksplorativni deo. U tom delu se prikupljaju i prezentiraju
podaci 0 obuhvaćenim objektima analize. Takvi podaci su neophodni i korisni, ali
oni nisu „svojina” nekog posebnog nacrta istraživanja, nego se prikupljaju u
svakom tipu istraživanja, u svakoj nauci.
U nekim naučnim disciplinama, kao što su sociologija, etnologija i
lingvistika, postoji lcomparativna metoda kao posebna istraživačka metoda, koja
se zasniva na komparativnoj analizi i ima jednak status kao „eksperimentalna
metoda” ih „statistička metoda”. Pored toga, komparativne studije su u jednom
trenutku promovisane kao poseban tip istraživanja, zasnovan prvenstveno na
kvahtativnim metodama i namenjen prvenstveno poredenju vehkih društvenih
grupa.
Međutim, danas se o komparativnim studijama razmišlja na drugačiji način.
Ono što je suština komparativnih studija je to da se uočene razliice između objeka-
ta analize icoriste za bolje upoznavanje objelcata /, posebno, za donošenje zaidju-
čaica o pojavama ipovezanosti pojava. U ovakvoj postavci komparativna analiza
se koristi da bi se postavile nove hipoteze, ili čak izgradila nova teorija. Na
primer, povezanost izmedu životnog standarda u jednoj zemlji i dominantnih
vrednosti stanovništva se verovatno neće moći uočiti istraživanjem samo u toj
zemlji. Međutim, sve će postati jasnije ako se istraživanje ponovi u drugim
zemljama, sa višim i sa nižim životnim standardom i ako se dobije da viši životni
standard ide sa „nematerijalnim” vrednostima (sasvim pojednostavljeno, takav
nalaz je proistekao iz čuvene Inglehartove „Svetske studije vrednosti” - World
Vaiues Study). To znači da su utvrđene razlike izmedu zemalja pomogle u dono-
šenju zaključka o povezanosti životnog standarda i vrednosti. Takode, biće veoma
informativno ako se analiziraju društva koja odstupaju od te opšte povczanosti i
potraže razlozi za to odstupanje. Slično komparativno istraživanje bi nam pomo-
glo da utvrdimo da h dobar životni standard smanjuje vehčinu porodice.
Danas se, dakle, ne smatra da su komparativna istraživanja pogodna isklju-
čivo za poredenje društvenih grupa. Pristup komparativne analize se može isko-
ristiti za poređenje bilo kojih objekata analize: pojedinaca, grupa ili bilo kakvih
čovekovih proizvoda. Takođe, komparativne studije se ne odlikuju nikakvom
posebnom m etodologijom ili pristupom. Mogu se koristiti kvantitativne i
kvalitativne metode, a vrlo često se koristi narativna analiza (posebno u etnolo-
giji). Međutim, kao i svako drugo naučno istraživanje, komparativna istraživanja
moraju biti objektivna i sistematična i moraju imati sve druge atribute naučnog
saznanja (v. uvodnu glavu).
Komparativna istraživanja su posebno olakšana onde gde postoje arhive
podataka iz društvenih istraživanja, kao što je na primer NEDA (v.).

2. Pilot istraživanje

Postoji jedna vrsta istraživanja koja se može sresti u svakom metodološkom

bedekeru, ali nedovoljno često u praksi domaćih socijalnih istraživanja, To su
pilot istraživanja. Njihova namena je prvenstveno ekonomska, u širem smislu
značenja štednje (ne samo novčane). Radi se o tome da svako istraživanje prolazi
kroz svoje faze, kao što su prikupljanje literature i konstnikcija mernih instrume-
nata, i u svakoj od tih fazi se izlaže mogućnostima previda, grešaka, i nespora-
zuma. Vrlo opasan nesporazum je nesporazum sa realnošću, koji dovodi do toga
da populacija koja je zamišljena nije dostupna, način uzorkovanja koji je
predviden ne može da se sprovede, a meme instrumente, kao što je recimo
upitnik, ne razume niko osim istraživača. Na svu sreću, situacija nikada nije tako
dramatična da nijedan od spomenutih elemenata nije realno zamišljen, ali se vrlo
često dešava da neki od delova ne funkcioniše.
Na primer, ako se ispituju deca u osnovnim školama, treba biti vrlo oprezan
kada se procenjuju njihove mogućnosti koncentracije i motivacije za odgovaranje
na upitnike. Analogni problemi se sreću i kod populacije starih i/ili nepismenih
ispitanika. Postoje i brojni drugi detalji o kojima se mora voditi računa u radu sa
Ijudima. Na primer, ispitivanje ne sme da uzrokuje da Ijudi ostanu na poslu
prekovremeno (ili ih u tom slučaju treba platiti). Ako se radi sa fokus grupama,
značaj iičnosti moderatora je od velikog značaja ukoliko su teme osetljive -
recimo, za razgovor o polno specifičnim stvarima (kao što je npr. ženska kontra-
cepcija) podrazumeva se da će voditi osoba istog pola kao što su i učesnici.
Posmatranje ponašanja pijanih navijačkih grupa može biti rizično po istraživača
koji će sediti medu njima i nešto beležiti u notes.
Takvi i svi drugi problemi se mogu veoma efikasno otkriti u jednom
probnom istraživanju, koje je po svemu jednako pravom, osim što je manje od
njega. Glavni metodološki problem tog probnog, odnosno pilot istraživanja je
upravo u defmisanju izraza „manje”. Pilot istraživanje se ne može napraviti tako
da se pravo istraživanje proporcionalno smanji u svim dimenzijama. U nekim
slučajevima se smanjivanje može odnositi na veličinu uzorka, ali ne i na dužinu
upitnika, jer je upravo dužina upitnika onaj kritični element koga treba proveriti.
Ako je teško dobiti članove prave populacije, npr. invalide I kategorije, nije
opravdano pilot istraživanje sprovoditi na prijateljima i studentima.
Međutim, pilot istraživanja su nezamenjiva u pripremi ozbiljnih, velikih i
skupih istraživanja. Vrlo često se pilot istraživanja sprovode tokom konstrukcije
mernih instrumenata. U anketnim istraživanjima se upitnik proverava na pilot
uzorku, tj. na manjem uzorku koji je ipak približan budućem punom uzorku. Ista
tehnologija se prinienjuje i tokom konstrukcije skala stavova ili psiholoških
memih instrumenata. Pilot istraživanja služe i da se na osnovu obrade njihovih
podataka ustanove početne vrednosti raznih parametara istraživanja, npr. potre-
ban broj procenjivača, najmanji i najveći raspon kod nekih kritičnih varijabli,
potrebno vreme da bi se obavio intervju itd. Sledeća važna namena pilot istraživa-
nja je u nalaženju „prostora” ili „referentnog okvira” pojave koju istražujemo. U
tom slučaju pilot istraživanja su mala eksplorativna istraživanja koja prikupljaju
podatke o npr. rasponu stavova prem.a nekom pitanju, glavnim odlikama popula-
cije, kulture ili potkulture u kojoj se istraživanje obavlja.
Na početku smo rekli da u domaćim istraživanjima praksa probnih istraživa-
nja nije česta i to je uglavnom zbog toga što su istraživački fondovi kratki. To
zvuči paradoksalno, jer su pilot istraživanja upravo zaniišljena kao način da se
uštedi na greškama i zabludama.

3. Akciono istraživanje

Akciono istraživanje je fleksibilan i iterativan proces u kome se smenjuju

akcija (promena, poboljšanje) i istraživanje (razumevanje, znanje). Akciona
istraživanja se koriste da bi se prikupile infonnacije o sprovodenju neke društvene
akcije ili intervencije. Pod akcijom se podrazumeva bilo kakva društvena akcija.
Na primer, nastavnici ili mkovodioci mogu da odluče da se sprovede neka
aktivnost, ili neki program, obično neki socijalni program namenjen rešenju
nekog konkretnog problema.
Oni koji sprovode tu akciju, npr. učenici ili zaposleni, mogu o njoj da imaju
nepovoljno mišljenje, a osim toga, plan akcije može imati i druge ncdostatke.
Akciona istraživanja su namenjena da premoste jaz izmedu onih koji odlučuju o
pokretanju akcije i „sveta”, koji uključuje izvršioce i okolnosti pod kojima se
akcija sprovodi.
U akcionim istraživanjima, Ijudi koji učestvuju u akciji i koji su uključeni u
promene uključuju se i u istraživanje. To doprinosi valjanosti podataka. Ono što
je vrlo važno, akcija i istraživanje se prepliću i saznanja stečena u jednoj fazi
akcije mogu se iskoristiti za modifikaciju sledećih koraka akcije, isto kao što se
mogu iskoristiti za modifikaciju daljeg toka istraživanja.
Akciona istraživanja se nekad kontrastiraju prema fundamentalnim istraži-
vanjima, što će reći da su to prim enjena istraživanja. Međutim, akciona istra-
živanja su specifična vrsta primenjenih istraživanja (jer problem istraživanja
može biti sasvim praktičan, a da se samo istraživanje u tom trenutku ne smatra
praktičnim).
U pogledu opšte metodologije i metodologije prikupljanja podataka ova
istraživanja nisu ničim posebno određena. Većinom se koriste kvalitativne meto-
de, ali, kad god je moguće, treba primenjivati kvantitativne metode. Ograničenja,
ako postoje, potiču sa praktične strane, kao što su rokovi, troškovi, namena,
zahtevi naručioca itd. Naravno, postoji to osnovno ograničenje koga predstavlja
potreba da se nađu odgovori na praktična pitanja i reše praktični problemi. Ta
potreba vodi, upravlja i uobličava celokupan tok istraživanja. Za akciona istraži-
vanja je karakteristično da kao output moraju da imaju razne elaborate i izveštaje
koji su namenjeni laicima kao što su rukovodioci i službenici, a ne naučna i
striičnajavnost. Mnogi naučni istraživači imaju teškoće da napišu takve elaborate.
Akciona istraživanja su ograničena na oblast u kojoj se sprovodi akcija i na
uzorak ispitanika na koji se akcija odnosi. Zbog toga akciona istraživanja, sa
epistemološke tačke gledišta, nisu namenjena generalizacijama i ne zahtevaju
reprezentativne uzorke entiteta kojima se bave.
Akciona istraživanja tekuparalelno sa programom, društvenom akcijom ili
društvenim problemom koji se istražuje, u kom slučaju se istraživanjem prate
promene do kojih dolazi. Zato akciona istraživanja često ne teku po planu, nego
se prilagodavaju toku akcije, a pojedine faze se ponavljaju. O rezuhatima poje-
dinih faza se neprekidno informiše naručilac (korisnik) istraživanja, a nastavak
rada zavisi od dogovora istraživača i naručioca.
Akciona istraživanja se tradicionalno mnogo koriste u oblasti pedagoške
psihologije i pedagogijc, ali su danas vrlo prisutna u svim oblastim a- upravljanje
siikobima, borba protiv bolesti zavisnosti, adaptacija marginalnih grupa itd.
Konačan uspeh programa koji se pokreću, izvode ili prate putem akcionih
istraživanja može da se ocenjuje pomoću evaluativnih istraživanja.

4. Evaluativno istraživanje

Evahiativno istraživanje je/>a;- excelience prinienjeno istraživanje. Danas je

evahiativna istraživanja najbolje defmisati kao evaiuaciju društvenih reformi i
inovacija u oblasti državne uprave, obrazovanja, pravosuđa, industrije, zdravstva
i mentahiog staranja. Ova evakiacija se obavlja na naučni način, sistematski i na
osnovu prikupljenih podataka.
Postoje i mišljenja da je ovakva definicija suviše uskajer se odnosi samo na
evaiuacijuprograma. Po tim mišljenjima, evaluativno istraživanje se sprovodi da
bi se ocenila, odnosno evahiirala vrednost ili uspešnost nekog društv’enog objekta,
ma kakav on bio. Objekt o kome je reč može biti neki program, recimo suzbijanja
pušenja, edukacije porodica o kuhumim vrednostima, ili opismenjavanja, zatim
neka ustanova, politika, telinologija ili čak pojedinac. U torn opštijem kontekstu,
evaluacija se nekada defmiše kao sistematsko ocenjivanje vrednosti ih doprinosa
nekog objekta, a nekada kao sistematsko prikupljanje i ocenjivanje informacija
kako bi se stekla upotrebljiva predstava o nekorn objektu. Međutim, ako se usvoji
ovakvo shvatanje, onda se mnoga istraživanja mogu smatrati evaluativnim. Na
primer, pilot istraživanja (v.), pa i edukativna istraživanja (v.) bi niogla biti takva.
U prilog užoj, specifičnoj definiciji evaluacionih istraživanja ide zapažanje
D. Campbella da su društvene reforme zapravo vrsta terenskih eksperimenata i da
bi tako trebale biti tretirane. Ako se neka reforma sprovodi sa ciljem da se postig-
ne neki efekat (na zavisnu varijablu), onda se može primeniti postavka eksperi-
mentalnog nacrta sa ciljem evaluacije reforme. Kao što je rečeno u poglavlju o
laboratorijskim i terenskim eksperimentima, terenski eksperimenti ne mogu
ostvariti visok stepen kontrole ekstemih varijabli. Mnogim laicima izgleda još
manje verovatno da neka refonna može u konkretnim driištvenim uslovima
predstavljati naučni eksperiment (reforme na ovim prostorima uvek podsećaju na
izreku ruskih anarhista; ,,Što gore to bolje”).
Međutim, ne samo da može, nego mnogi metodolozi smatraju da je upravo
važno da se reforme tretiraju kao kvazi-eksperimenti kako bi se pošteno evalui-
rale. U širem društvenom interesu je, a ne samo konkretnih rukovodilaca, da se
evaluacija obavi pomoću naučne metodologije koja kao da je smišljena za tu
situaciju.
Bez obzira koliko široko se definišu, važna osobina evaluativnih istraži-
vanja je njihovapovezanost sa konkretnom organizacijom, sa lokalnom ili global-
nom politikom i sa tehnikama i metodama rukovođenja. Ukj'atko, za sprovodenje
evaluativnih istraživanja su potrebne razne socijalne veštine, koje ne pripadaju
repertoaru istraživačkih veština.
Kao što je rečeno, evaluaciona istraživanja se koriste u raznim oblastima, od
kriminologije (recimo, evaluacija nove organizacije u zatvorima), narkomanije
(npr., evaluacija programa porodične edukacije) ili nasilja (npr. evaluacija mera
protiv nasilja na sportskim priredbama), pa sve do oblasti školstva, gde se
evaluiraju nastavni programi, reforme, novi udžbenici itd.
Postoje različite podele evaluativnih istraživanja, kao i različite podele
njihovih faza ili delova. Jedna podela se zasniva na glavnim pitanjima na koja
evaluativna istraživanja moraju da odgovore. Postoje četiri tipa studija; ocena
potreba, ocenaprogramske teorije, evaluacijaprocesa, evaluacija ishoda i evalu-
acija efikasnosti. Prvo pitanje koje se postavlja je, naravno, da li uopšte postoje
potrebe za programom; da li postoji problem narkomanije u školama, da li deca
koja uzimaju drogu imaju neke specifične lične ili porodične probleme koji bi se
mogli rešiti, koje droge se koriste i kako se nabavljaju. Ocena potreba se može
doneti na osnovu anketnog upitnika, intervjua, sekundamih podataka itd.
Ako postoje potrebe i problemi, onda se može pristupiti izradi programa za
njihovo rešavanje. Sam program, odnosno „teorija programa” se može evaluirati
tako što će se porediti sa potrebama i raspoloživim resursima, sa tuđim iskustvi-
ma, kioz saradnju sa interdisciplinarnim timovima i na druge načine. Po jednoj
drugoj podeli evaluativnih istraživanja, ovaj tip studija se naziMH studijom izvod-
Ijivosti (engl. feasibility study), koje imaju za cilj da ocene mogućnost za sprovo-
đenje nekog programa u datom kontekstu i sa predviđenom metodologijom.
 Treći tip evaliiacionih studija se bavi evaluacijom sprovođenja procesa,
odnosno programa. Dok se program odvija, valja odgovoriti na pitanja da li on
uopšte stiže do onih kojima je namenjen, da li je privukao dovoljan broj klijenata
i da li osoblje programa obavlja svoje dužnosti. Nekada osoblje nije dovoljno
obučeno, nekada se program sprovodi na mestima i u vreme koji nisu dostupni
klijentima. Studija ovog tipa ima za cilj da utvrdi da li je implementacija
programa dobra. Očigledna je njena sličnost sa akcionim istraživanjiina koja su
obradena u zasebnom poglavlju.
Četvrto pitanje je da li jo ishod programa onaj koji je planiran, tj. da li je
program ostvario planirani učinak. Da li je smanjena upotreba droge u školama,
da li su smanjene deformacije kičme kod dece, broj saobraćajnih nesreća, krada u
samoposhigama itd. Ovaj tip studije je ekvivalentan posttestu u eksperimentima
koji ima za cilj da utvrdi da li je došlo do promena u zavisnoj varijabh.
Konačno, mora se evahiirati efikasnost programa u cehni i u širem
društvenom kontekstu. Moraju se uporediti utrošeno vreme i novac sa ishodima
koji su postignuti i mora se dati odgovor da h je uopšte vredelo sprovoditi
prograni (reformu). Ako nije, studija efikasnosti mora dati odgovor na pitanje u
čemu se pogrešilo i kako bi se troškovi mogh smanjiti.
Pored navedene podele, postoje i druge mogućnosti klasifikacije evahia-
cionih istraživanja. Recimo, nekada se evahiativna istraživanja dele na: deskrip-
tivnu studiju, analizu ciljeva ih normativnu studiju i studiju uticaja i efckata.
Deskriptivna studija opisuje ciljeve i namenu programa ih institucije, način
primene i funkcionisanja, organizovanost i angažovane resurse.
Ciljevi društvenog objekta se anahziraju s obzirom na njihov domet, priro-
du ih kvalitet, a anaiiza se vrši poredenjem sa nekim altemativnim ciijevima ili
vrednostima. Rccimo, analizira se da li su ciljevi kratkoročni ih dugoročni, jesu li
minimahstički ili visoki, da li su „plitki”, pa se odnose samo na promenu stavova,
ili su „duboki”, pa se odnose na promenu ponašanja. Nekada se ova analiza
naziva nonnativnom stiidijom. Medutim, ranije su se evaluativna istraživanja
generalno nazivala normativnim istraživanjima, i za njih se govorilo da imaju za
cilj deski'ipciju ili evaluaciju postojećih normi nekog društva ili društvenih grupa,
kulture, profesije ili društvene delatnosti (recimo osnovnoškolskog obrazovanja).
Danas se upotreba termina „nonnativno istraživanje” retko sreće, ah je potreba za
analizom ciljeva opstala. Objektivno vrednovanje ciljeva nekog programa ili
institiicije je zadatak od opšteg dmštvenog značaja.
Studija uticaja i efekata se bavi uticajima ili efektima društvenih objekata,
posebno društvenih reformi i programa. U tom cilju se analizira širi značaj tih
efekata i moguće interakcije sa drugim pojavama - ekonomskim, zdravstvenim,
ekološkim itd. Pitanje efekata i efikasnosti programa ili institucije je, u svakom
slučaju, „pitanje svih pitanja” evaluativnih istraživanja.
U evaluacionim istraživanjima se mogu koristiti sve raspoložive metode
prikupljanja podataka: upitnici, intervjui, fokus grupe, arhivski podaci. To znači
da se evaluaciona istraživanja mogu koncipirati kao anketna istraživanja, lon-
gitudinalna istraživanja, studije slučaja, analiza sekundamih podataka i drugo.
 Karakteristika evaluacionih istraživanja je protivstavljenost interesa
istraživača i institucija koje sprovode program ili proces i niz nesporazuma oko
predmeta, metoda i zaključaka istraživanja. Sve će biti jasnije ako se kaže da su
tipični korisnici nalaza evaluativnih istraživanja sponzori, donatori, udruženja
korisnika, upravni odbori, državna uprava itd.

5. Metodološkz ,:,trjaživanja

lako je u uvodnoj glavi rečeno da se osnovna epistemološka pitanja, kao što

su ,,šta je istina”, ne mogu empirijski istraživati, mnogobrojna istraživanja su bila
posvećena sagledavanju metodoloških aspekata istraživanja i njihovom uticaju na
nalaze.
Cesto istraživana tema je uzorak objekata istraživanja. Ovde smo obradili
„dobrovoljačku grešku” jer postoje podaci d aje barem 80% psiholoških istraživa-
nja sprovedeno na studentima dobrovoljcima. Putem metodoloških istraživanja
otkrivene su i zablude usled eksperimentatorovih očekivanja, jer se otkrilo da
eksperimentalni tretmani „deluju” i pre nego što sprovedeni (u pretestu), zato što
je eksperimentator tako očekivao. Na sUčan način je utvrđen i uticaj demo-
grafskih, socijalnih i psiholoških osobina anketara na rezultate ankete.
U metodološka istraživanja možemo ubrojati i naukometrijska i biblio-
metrijska istraživanja koja analiziraju svojstva naučne produkcije. Tu možemo
ubrojati i mnoga istraživanja koja su se bavila detaljnijom anaUzom nekih
ključnih prethodnih istraživanja, otkrivajući dejstvo nekih skrivenih varijabh i
doprinoseći boljem razumevanju istraživanih pojava.
U psihologiji su metodološka istraživanja veoma zastupljena, toliko da neki
zajedljivi autori izjavljuju da se psihologija jednom trećinom bavi sama sobom.

6. Konstrukcija mernih instrumenata

U psihologiji, ah ne samo u njoj, vrlo velike studije, ih čak više njih, mogu
biti posvećene konstrukciji i evaluaciji memih instrumenata kao što su psihološki
testovi, upitnici, skale za merenje stavova i druge skale. Postoji nedoumica da li
da se takve studije nazivaju istraživanjima ili ne. U psihometrijskom smislu, svaki
merni instrument se mora primeniti na standardizacionom ili normativnom uzorku
da bi se odredila njegova mema svojstva i norme. U psihometriji se to tretira kao
korak u konstrukciji mcrnog instrumenta i ne naziva se istraživanjem. Uslovno
bismo ovaj korak mogli nazvati psihometrijslcom studijom.
Sa metodološkog stanovišta, za psihonietrijsku studiju se može reći da ima
specifičan cilj: određivanje mernih svojstava i normi za meme instrumente.
Dakle, studija nije posvećena izučavanju nekog svojstva objekata i bilo koje
đruge pojave - njen predmet je merni instrument a ne ono što on meri. U metodo-
loškom smislu, ovakva studija bi se, eventualno, mogla nazvati istraživanjem, ali
uz čvrstu i jasnu deklaraciju njenog cilja.
Situacija je nešto lakša ako se u studiji određuje validnost memog instru-
menta (kao jedno od osnovnil: memih svojstava). Takve validacione studije često
obuhvataju više meraih instrumenata, više razhčitih gmpa objekata ili više razhči-
tih uslova primene instrumenta. Zbog logike konstruktivne validacije (v. odgova-
rajuće poglavlje i Fajgelj, 2005) i primene telinika kao što su nomološka mreža i
multiosobinska-multimetodska matrica, vrlo je čest slučaj da se tokom valida-
cione studije detaljno razmatra konstrukt koji instmment meri, kako u teorijskom,
tako i u praktičnom kontekstu. Takvu studiju je, jasno, mnogo lakše svrstati u
istraživanje, iako je njen cilj i dalje određivanje memih svojstava instrunienta.
Konačno, u mnogim istraživanjima se konstmišu novi ili evaluiraju posto-
jeći memi instmmenti, a da nemaju kao primaran cilj odredivanje memih
svojstava instmmenata. Ta istraživanja se ne mogu razvrstati kao psihometrijske
studije, nego se razvrstavaju prema njihovom osnovnom problemu i cilju.

7. „Edukativno" i „pra vo" istraživanje

Edukativna istraživanja se obično sreću pod nazivom „teze i disertacije”, a

tu svakako treba pridodati i seminarske i diplomske radove. Namena tih istra-
živanja je, u vreme njihovog nastanka i sprovodenja, edukativna, odnosno usme-
rena ka sticanju akademskog stepena. To ne znači da ta istraživanja nemaju ili ne
moraju da imaju vrednost na ukupnoj skali saznavanja istine. Međutim, pred
istraživačem koji obavlja takvo istraživanje stoje mnogi specifični zahtevi koji
potiču izvan kruga samog istraživanja, po čemu su ta istraživanja specifična.
Generalno rečeno, osim standardnih ciljeva koje nameće proces naučne
spoznaje, „edukativno” istraživanje mora da pokaže d aje istraživač ovladao svim
metodama i tehnikama naučnog istraživanja. Kao prvo, on mora pokazati
stvaralaštvo i inicijativu da uoči i defmiše istraživački problem i da ga detaljno
locira u teorijskom prostom dotične oblasti. To podrazumeva detaljno, obimno i
potpuno uvodno poglavlje sa „istorijom”, „ciljem i značajem” i drugim sličnim
delovima, više nego što bi istraživač našao za shodno da piše u „pravom”
istraživanju. Za edukativna istraživanjaje, takode, od značaja da se ne ponavljaju,
o čemu vode računa svi, od kandidata, preko mentora, do komisija koje odobra-
vaju temu i pred kojima se rad brani.
Zahtevi koji se postavljaju tezama i disertacijama se odnose i na njihovu
strukturu i format, koji imaju neka opšta svojstva, relevantna u celoj naučnoj
produkciji, ali i specifična svojstva koja određuju univerziteti, fakulteti, mentori i
sl. Sve u svemu, subjektivno i objektivno, istraživaču koji sprovodi „edukativno”
istraživanje je važno da „pokaže da zna i da može”, da se konfonnira pravilima
akademske sredine u kojoj treba da brani rad (kako bi pokazao da ih poznaje) i da
ispuni druge formalne zahteve koji eventualno postoje (npr. rokovi, obim rada.
stmktiira poglavlja i sL). Neke opšte sugestije za pisanje teza i disertacija date su
na kraju knjige.
„Prava” istraživanja su u najvećem broju slučajeva komercijalna. Pod tim
podrazumevamo dapostoji neko (ustanova ili pojedinac) ko je: a) naručio istraži-
vanje i fmansira ga (tada možemo da kažemo da je to komercijalno istraživanje u
punom smislu), ili b) ko fmansira istraživanje, ali nije neposredno i direktno
zainteresovan za rezultate tog istraživanja, nego mu je cilj da podržava i pomaže
razvoj nauke u celini (to su obično ministarstva i različite fondacije). U oba
slučaja može postojati konkurs za istraživanja, s time da je to redovna praksa u
drugom slučaju, dok se kod pravih komercijalnih istraživanja konkursi često
sprovode u fonni prikupljanja ponuda, kao u trgovini i industriji.
Ako je istraživaču u „edukativnim” istraživanjima važno da poštuje
formalna pravila, istraživaču u „pravim” istraživanjima može biti važno da bude
jeftin, produktivan i konkurentan. Ipak, u pravim istraživanjima je kvalitet poda-
taka od prvostepene važnosti. Potrebu da istraživački nalazi budu kvalitetni
odreduje u suštini potreba naručioca za kvalitetnim rešenjima, dobrim predvi-
đanjem ili sl. Naime, ako zaključci istraživanja nisu dobri to se možda neće utvr-
diti odmah (kad je reč o društvenim naukama), ali će se pre ili kasnije utvrditi.
Prodaja proizvoda neće rasti (marketinška istraživanja), politička stranka neće
osvojiti predviđeni broj glasova (istraživanja javnog mnjenja), školski uspeh se
neće pobolj.šati (pedagoška istraživanja) itd.
Drugi izvor pritisaka da nalazi „pravih” istraživanja budu kvalitetni je
svakako naučna i stručna javnost koja će evaluirati kako predikcije koje su
istraživači formulisali, tako i opštu metodologiju koja je korišćena; primenjene
tehnike, uzorak, merne instrumente i ostalo. U primenjenim istraživanjima ulogu
može imati i javnost uopšte. To se posebno odnosi na komercijalna istraživanja
javnog mnjenja u oblasti političkog marketinga i izbornih orijentacija. Kao
sugestija, u ocenjivanju rezultata tih istraživanja treba pratiti ko organizuje, ko
vodi i ko učestvuje na konferencijama za štampu na kojima se često saopštavaju
nalazi predizbomih anketnih istraživanja. Ako konferenciju vode isključivo
istraživači koji su sprovodili istraživanje, treba se osloniti na njihov zdrav razum
i da su, znajući ,,da ne možete sve Ijude lagati svo vreme”, prezentirali valjane
podatke. Istraživači, naime, znaju da i stručna i laička javnost prate njihov rad i
da su - ova prva iz komercijalnih, odnosno konkurentskih razloga - vrlo raspolo-
žene da otkrije svaku moguću grešku. Zato se pristrasnost, proizvoljnost i povr-
šnost ne isplate na dugi rok. Međutim, ako podatke prezentira naručilac, ili
konferenciju za štampu vodi naručilac, a tek poneki istraživač prisustvuje, onda
ima mesta zdravoj sumnji da su rezultati koji su prikazani fdtrirani. Međutim, u
pogledu javne prezentacije nalaza takvih istraživanja, najveće filtriranje obavljaju
novinari i redakcije. Zato novinske izveštaje mnogi istraživači osećaju kao
neprolaznu barijeru u pravilnom saopštavanju nalaza.
 J. Studija slučaja

Studija slučaja se najčešće tretira kao posebna vrsta istraživanja. Proučava-

nje pojedinačnog slučaja, kako se još negde naziva ovaj tip istraživanja, može se,
međutim, tretirati i kao posebna metoda istraživanja i metoda prikupljanja podata-
ka. Studija slučaja predstavlja, zapravo, jedinstvenu kombinaciju nacrta istra-
živanja i istraživačkili metoda, od izbora uzorka varijabli i objekata, preko meraih
instrumenata do obrade i analize podataka. Zato ona nesumnjivo zaslužuje
zasebno poglavlje. Studija slučaja nije jedina oko koje se diskutuje da li je vrsta
istraživanja ili istraživačka metoda. I druga istraživanja se spominju i u jednom i
u drugom kontekstu; recimo eksperimentalna metoda.
lako se govori o studiji slučaja (engl. case study) i proučavanju pojedinač-
nog slučaja u jednini, suština ovog tipa istraživanja nije u tome što se proučava
samo jedan slučaj, nego što se proučava vrlo mali broj slučajeva, ali intenzivno i
„produbljeno”. Tehnički rečeno, uzorak entiteta je vrlo mali (nekohko), a uzorak
varijabli ili broj merenja vehki. Zato se ovaj tip istraživanja ponekad naziva istra-
živanjem sa malim n (sa n se u istraživačko-statističkom žargonu označava
vehčina uzorka). U slatističkom pogledu, studija slučaja produkuje daleko više
varijabh nego što ima slučajeva, a pošto je fond plauzibilnih statističkih tehnika
za tu situaciju krajnje mah, primena statistike je veoma ograničena.
Studija slučaja je, po defmiciji, ekstremno idiografska, dakle suprotna
principima nomotetskog pristiipa. Iz toga se često izvlači zaključak da ona spada
u kvahtativna istraživanja. Medutim, studija shičajaje veoma „šarena” vrsta istra-
živanja u tom pogledu, može biti i kvantitativna i kvahtativna. Mnoge primene
ovog tipa istraživanja su pokazale kako ona može ispuniti razhčite istraživačke
ciljeve, pa čak i generahzaciju i razumevanje pojave, kao zameni za uzročnost.
V rste studija slučaja i kada se prim enjuje. - Šta su „slučajevi” u studiji
slučaja? To mogu biti bilo koji entiteti: pojedinci, porodice, institucije, narodi,
kulture, pa i Ijudski artefakti.
Studije slučaja se mogu podehti s obzirom na faktor vremena. U tom
pogledu su studije slučaja imiverzalne; mogu da se bave nekim pojedinačnim
događajera. iz života nekog entiteta - kada spadaju u transferzahia istraživanja, ili
da prate ceh život entiteta - kada spadaju u longitudinahia istraživanja.
Studija slučaja se može upotrebiti i u kvazi-eksperimentalnom (kada postoji
manipulacija) ih neeksperimentalnorn (kada ne postoji manipulacija), pre-posle
nacrtu (v. kasnije). U takvom nacrtu se objekti studiraju pre i posle nekog tret-
mana, događaja ih iskustva.
Generahio rečeno, studije slučaja se često kombinuju tako da budu
istovremeno i pre-posle i longitudinalne: sa više objekata, sa više posmatranja i
 sa više tretmana. Na taj način može bolje da se uoči delovanjc tretmana, uticaj
vremena ali i da se poveća pouzdanost nalaza.
Studija slučaja se može koristiti u komparativnom istraživanjii (v.), u kome
se porede slični ili različiti objekti sa ciljem otkrivanja razloga za njihove razlike.
Poređenja se obavljaju obično narativno, kvalitativno, ali ukoliko postoje odgo-
varajući podaci, mogu se vršiti i kvantitativno.
Jedna druga podela (Grosshans i Chehmsky, 1990) deli studije shičaja na:
ilustrativne, eksplorativne, kritične, za implementaciju programa, za ocenu
efekata programa i kumulativne. Kada se koristi kao kritična metoda, ona pred-
stavlja produbljenu anaHzu nekog važnog slučaja sa ciljem sticanja ključnih
saznanja o njemu. Kada se koristi kao ihistrativna metoda, ona prati druge meto-
de, recimo anketne, ili sekundarne i shiži za bolju ihistraciju pojave. lako se u
mnogim disciplinama, recimo u sociologiji, studija slučaja koristi kao samostalna
istraživačka metoda, najbolje rezultate postiže ako se konibinuje sa drugim
vrstama istraživanja u tzv. multimetodskom pristupu.
Studija slučaja je vrlo bliska kliničkoj metodi u psihologiji. U toj varijanti,
studija slučaja se često koristi z a prikaz slučaja koji je po nečemu izuzetan, ili za
analizu pojedinačnih dijagnostičkih i terapijskih primcra. Takođe, studija slučaja
je vrlo bliska istorijskoj metodi koja se koristi u raznim naukama i otuda potiče
njen altemativni naziv istorija slučaja.
Studije slučaja su skoro jedina mogućnost istraživanja retkih i izuzetnih
pojava. Na primer, poznata su istraživanja dece koja su odrasla bcz odraslih, u
šumi i u pećinama (recinio „divlji dečak iz Aveyrona”). U tom smislu, veoma
važna uloga studija slučaja je eksplorativna i deskriptivna.
Pored toga, brojni su primeri, svuda u nauci i van društvenih istraživanja, da
je studija slučaja služila kao generator naučnih teorija, ideja i hipoteza. Darvin je
u suštini formulisao svoje ideje o malim promenama živih organizania u funkciji
prilagođavanja i nasleđivanja studirajući pojedinačne slučajeve.
Studija slučaja se koristi posebno često za evahiaciju (v. evaluativna istraži-
vanja) u ekonomskim i socio-ekonomskim disciplinama, u gradskom planiranju,
testiranju naoružanja, velikim nesrećama kako što su one u nuklearnim centrala-
ma, humanitamih programa i sl.
Međutim, studija slučaja može da posluži za proveru teorija i hipoteza u
situaciji kada teorija postoji, a zadatak je da se ona proveri, dopuni, koriguje ih
razvije. Provera teorije u tom slučaju obično nije statistička, ali može biti masov-
na tako što će biti sproveden niz studija slučaja na zasebnim objektima, ili niz
novih ispitivanja na istom objektu. Darvin je svoje ideje sistematski proveravao
na ogromnom broju novih primeraka u pojedinačnim posmatranjima.
Studiju slučaja nećemo koristiti ako želimo da izvršimo generalizaciju na
populaciju. Osnovni problem je u tome što se na studijama slučaja uglavnom ne
može koristiti statističko zaključivanje, za koje smo rekli da je najbolji način
generalizacije u domenu istraživanja ponašanja. Generalizacije na osnovu studije
slučaja mogu biti intuitivne, pa čak i tačne, ali se one ne mogu proveriti samo na
osnovu podataka iz studije slučaja.
 U literaturi se može sresti tvrdnja da studija slučaja omogućuje kauzalne
iskaze. Znamo da dokazivanje uzročnosti nije validno bez manipulacije neza-
visnom varijablom i randomizacije. Uzorkovanje u studijama slučaja je namemo
ili prigodno, pa je kontrola neželjene varijanse, koja se postiže randomizacijom,
slaba. Manipulacija nezavisnom varijablom se koristi u eksperimentalnom nacrtu
sa n=\ (v. kasnije), ali je inače retka ili nemoguća. Iz toga sledi da su
uzročno-posledični zaključci kao što je: „Jovan je još kao mali bežao od kuće
zbog straha od kazne za loš uspeh u školi i zahvaljujuči tom odrastanju na ulici
postao je heroinski zavisnik.” - nevalidni, prvenstveno zbog nedostatka interne
validnosti. Međutim, slučaj Jovana je sasvim dovoljan za postavljanje hipoteze o
vezi izmedu straha u detinjstvu, bežanja od kuće i kasnije narkomanije.
Nedostatak generalizacije i nemogućnost dokazivanja kauzalnih veza su
povezani sa nedostatkom kvantifikacije. Pomoću studije shičaja je nemoguće
kvantitifikovati pojave u populaciji. Međutim, kvantifikacija nije nemoguća kada
se rad o ispitivanom slučaju - recimo koliko je pušio ranije, a koliko sada, koliko
je bio težak pre bolesti, a koliko nakon, koliko je bilo krivičnih dela u opštini pre
izgradnje fabrike, a koliko posle. Ova kvantifikacija ne može da posluži za
analizu individualnih razlika (jer je broj individua mali), pa prema tome ne može
da posluži ni za otkrivanje izvora individualnih razlika - latentnih varijabli,
Medutim, merenje na pojedinačnim slučajevima, u onoj meri u kojoj je
moguće, prvenstveno namenjeno otkrivanju trendova, može da ukaže na moguće
uzročno-posledične veze i uzroke tekućeg ponašanja. lako kauzalni zaključci u
studiji slučaja neće biti validni, oni mogu doprineti razumevanju ponašanja koje
se posmatra. Razumevanje pojave će biti bolje kod longitudinalnih, pre-posle i
kombinovanih studija slučaja.
E ksperim entalni n acrt sa jcdnim slučajem . - Kao što je rečeno, studija
slučaja može imati fomiu eksperimenta. U tom slučaju je nazivamo eksperimen-
talnim nacrtom sa «= I. PoSto se ne koristi randoniizacija, nacrt je zapravo kvazi-
eksperimentalni. U tom nacrtu se izučava samo jedan objekt (ili eventualno mali
broj objekata), po nacrtu ponovljenih merenja ili vremenskih serija, pri čemu je
broj merenja obično vrlo veliki. U nekim slučajevima se nacrt sa n=\ smatra
boljim od nacrta sa više grupa, pogotovo onda kada treba proučiti delovanje
tretmana na nekom pojedinačnom objektu, ili kada treba ostvariti delovanje na
ponašanje pojedinačnog objekta.
Karakteristično za eksperimentalni nacrt sa n=\ je početna faza koja se
odlikuje višestrukim merenjima sa ciljem da se utvrdi bazni nivo ili bazna stopa.
Bez poznavanja baznog nivoa zavisne varijable ne možemo utvrditi da li tretman
(tretmani) dovodi do njene promene, a pošto se proučava samo jedan objekt,
potrebno je više merenja da se postigne pouzdana mcra baznog nivoa. Poseban
problem predstavlja kada bazni nivo poseduje trend ili značajno osciUra.
Eksperimentalni tretman se na pojedinca može primenjivati uzastopno više
puta kako bi se bolje odredio njegov efekat. Ovakav nacrt se naziva ABAB nacrt.
U njemu se smenjuju faze određivanja nivoa zavisne varijable (A) i faze tretmana
(B) sa ciljem da se ispita stabilnost efekta tretmana.
 lako se eksperimentalni nacrt sa n=\ smatra vrstom studije slučaja, mnogi
smatraju da je on bliži eksperimentalnom nacrtu jer poseduje bolju kontrolu
neželjene varijanse, manipulaciju nezavisnom varijablom i zato ima dobru intemu
validnost.
Uzorkovanje u studiji slučaja. - Rečeno je da je uzorak objekata u studiji
slučaja veoma mali i da je najčešće upravo n=\. Zbog toga se u studiji slučaja ne
mogu vršiti generalizacije na osnovni skup pomoću statistike zaključivanja (testi-
ranja hipoteza i statističkog odlučivanja).
Osim što su mali, uzorci u studiji slučaja po pravilu nisu ni reprezentativni
u odnosu na neku populaciju, nego su, štaviše, često izuzetni. Studija slučaja nije
namenjena statističkoj generalizaciji, pa lunesto da uzorci budu reprezentativni za
populaciju, od uzoraka u studijama slučaja se očekuje da budu reprezentativni za
teoriju. Ovo svojstvo, iako možda na prvi pogled ne privlači pažnju, veoma je
važno i presudno za studiju slučaja. D a bi studija slučaja postala naučno istraživa-
nje ona mora biti striktno, neumoljivo i dosledno vođena nekom naučnom teo-
rijom (engl. theory driven).
Kada je gore rečeno da uzorak (makar i veličine jedan) u stiidiji slučaja
mora biti reprezentativan za teoriju, to znači da se objekti moraju veoma pažljivo
birati kako bi reprezentovali teorijske stavove koji se proveravaju (v. utemeljenu
teoriju i teorijsko uzorkovanje). Na primer, ako se analiziraju uzroci neke pojave,
onda za svaku grupu, „eksperimentalnu” i „kontrolnu” treba izabrati barem jedan
objekt. Ako se proveravaju odnosi između nekih varijabli, nazovimo ih „zavi-
snim” i „nezavisnim”, onda objekti moraju biti birani tako da poseduju različite
vrednosti tih varijabli: jedan mora imati decu, drugi ne, jedan mora biti pro-
stitutka, drugi ne itd.
Najčešće tehnike uzorkovanja su prigodna i namerna (v.). U prigodnom
uzorkovanju se slučajevi „sami pojave”, ili istraživač odabere onog koji mu je
dostupan. Ipak, najbolje je ako istraživač može da nađe neki ključni slučaj,
recimo osobu koja hoće i može da dadne ključne iformacije. Ako se bira namer-
no, onda se obično bira po sledećim principima: ekstrerrmi slučajevi, najbolji
slučajevi, najgori slučajevi, klasteri sličnih slučajeva, reprezentativni slučajevi i
specijalni slučajevi. Važno je da izbor objekata sledi logičku strukturu teorije.
Recimo, ako teorija tvrdi da će deca iz razorenih domova više biti sklona
maloletničkom kriminalu, izabraćemo da studiramo maloletnog kriminalca iz
razorene porodice, a ne iz normalne porodice, niti ne-kriminalca iz razorene
porodice. Ako su slučajevi pojedinci, onda je poznata strategija da se bira čuvena
osoba, marginalna osoba iliprosečna osoba. Za čuvenim osobama obično tragaju
novinari i pisci, dok su za društvene istraživače vrlo zanimljive marginalne osobe.
Marginalna osoba je ona koja „nije kod kuće ni u svom domu”. To su osobe koje
nisu ni potpuno uključene u svoju sredinu, niti potpuno isključene. Danas se pod
tim pojmom najčešće podrazumevaju osobe koje žive na marginama dva društva
ili dve kulture - recimo izbeglice u tuđoj zemlji.
 K akva studija slučaja tre b a da b u d e-N ajv ažn iji epistemološki problem
studije slučaja potiče od nereplikabilnosti ovog tipa istraživanja. Da bi se to
kompenziralo, treba učiniti sve da se ona sprovede sistematično i kritično, a njen
izveštaj mora biti napisan analitično, ilustrovan primerima, dobro povezan sa
izabranim teorijskim okvirom i uporeden sa drugim teorijama.
Da bi zaključci iz studije slučajabili validniji, najbolje je ako se ona koristi
multimetodski i ako se koristi triangulacija. To praktično znači da treba koristiti
različite metode prikupljanja podataka, uključujući testove, upitnike, snimanje
kamerama, analizu sekundarnih podataka, dakle metode koje se smatraju objek-
tivnim. S druge strane, kvalitativne metode se mogu učiniti objektivnijim tako što
će se koristiti više ocenjivača, što će ocenjivači biti obučeni, što će kategorije biti
precizne i sl. N a primer, ako želimo stvamo da izučimo pojavu straha u detinj-
stvu, bežanja od kuće i narkomanije, osim studije Jovanovog slučaja koristićemo
i anketu, analizu sekundarnih podataka, korelacione studije itd. Ovo je situacija u
kojoj se studija slučaja očigledno tretira kao istraživačka metoda.
Sve u svemu, iako studije slučaja nekome mogu da izgledaju veoma egzo-
tično, one se ne razlikuju od ostalih tipova istraživanja. Iz prethodnih pasusa se
vidi da one imaju svoje osobitosti, ali da te iste osobitosti dele sa drugim tipovima
istraživanjima i metodama u socijalnim istraživanjima. Radi se o tome da je
studija slučaja više specifična kombinacija metoda nego potpuno poseban tip
istraživanja.

1. Etnografsko i biografsko istraživanje

Nije lako opisati šta je etnografija ili etnografsko istraživanje. Matične

oblasti odakle ona potiče i gde se najviše koristi su, pre svega, etnologija (soci-
jalna antropologija), pa zatim i sociologija. Atkinson i Hammersley kažu da etno-
grafija ima sledeće karakteristike: a) jak naglasak na istraživanju prirode društve-
nog fenomena, umesto na testiranju hipoteza o njemu, b) tendencija da se radi sa
„nestrukturisanim” podacim^a, c) detaljno izučavanje malog broja slučajeva,
možda samo jednog i d) analiza podataka se zaniva na tumačenju značenja i funk-
cija ponašanja, uključuje verbalne opise i objašnjenja, pri čemu su kvantifikacija
i statistika sporedne.
Nažalost, ova defmicija se može odnositi na bilo koje kvalitativno istraživa-
nje. Zato se mora nadopuniti još nekim stavkama koje karakterišu većinu etno-
grafskih istraživanja. Tu spada, pre svega, intenzivno uključivanje istraživača u
terenskupostavku koja se izučava. Ova tradicija poznata je još od klasičnih etno-
loških istraživanja u kojima je Margaret Mead živela u plemenskim zajednicama.
Druga karakteristika, povezana sa prvom, je dominantna upotreba učesničkog
posmatranja. lako se etnografija ne ograničava ni na jednu posebnu metodu i
obično se koristi više metoda, učesničko posmatranje je obično na prvom mestu.
Treća karakteristika, koju Atkinson i Hammersley donekle pominju, je naglasak
na verbalnim deskripcijama, još tačnije na proznom karakteru istraživačkih
izveštaja. E tnografska tradicija podrazum eva da analiza podataka bude
prezentirana na literaran način i izveštaj u celini se ocenjuje s obzirom na literami
kvalitet.
Dok se etnografska istraživanja obično koriste za izučavanje manjih
Ijudskih zajednica, biografsko istraživanje je namenjeno izučavanju pojedinaca. U
našoj i stranoj metodologiji često se sreće naziv biografski metod. Medutim, ovde
ćemo ovu metodu tretirati kao vrstu istraživanja iz barem dva razloga. Kao prvo,
ona je vrlo sUčna studiji slučaja i predstavlja varijantu etnografije, a kao drugo,
biografski podaci se mogu prikupljati različitim metodama, što se snažno
preporučuje.
Biografsko istraživanje (engl. life story research) je pokušaj da se razume
nečiji život na osnovu onoga što on sam o sebi kaže. Već na osnovu ovog
pokušaja defmicije se može zaključiti da su predmet biografskog istraživanja na
prvom mestu živi Ijudi, kao i da se kao dominantna metoda koristi metoda inter-
vjua. Ovakva biografska istraživanja se najčešće koriste u etnologiji (antropolo-
giji) i u sociologiji, a ima primera takvih istraživanja i u psihologiji. Biografska
istraživanja su veoma populama u žumahstici i književnosti, a u književnosti se
obično odnose na čuvene pojedince koji su živeh u bhžoj ili daljoj prošlosti (na
primer, serija čuvenih biografija Stefana Zvveiga). Poznata su i autobiografska
istraživanja, poznata kao memoari.
Dakle, kao primami izvor podataka se koristi intervju (v.). Intervjuisanje
osobe čiji se život anahzira može potrajati mesecima, čak i godinama. Forma
intervjua koja se koristi je u principu nestrukturisana, ali se za prikupljanje
objektivnijih podataka o nekim segmentima ispitanikovog života mogu koristiti
polustandardizovani i standardizovani intervju. Obično će istraživač morati pre
sprovodenja istraživanja, a pogotovo tokom njega, razviti poseban, ako ne i
prijateljski odnos sa ispitanikom. To nije neuobičajeno, ali istraživača stavlja u
osetljiv položaj da bira izmedu objektivnosti i prijateljstva.
Navešćemo jedan mogući protokol intervjua za prikupljanje životne priče. Ovaj
protokol nije namenjen produbljenom, višegodišnjem bavljenju životnom pričom neke osobe.
Međutim, sasvim je dovoljan i stimulativan za skiciranje nečijeg života (Langdridge, 2004).

liv o t u celini
1. Svako ima životnu priču. Pričajte mi o svom životu, dvadesetak
minuta, ako možete. Počnite odakle vi želite i odaberite ono što vi
mislite da je važno.
2. Koje su najvažnije prekretnice u vašem životu?
3. Pričajte mi o najsrećnijim trenucima u vašem životu.
4. Ali 0 onim najtužnijim.
5. Ko su bili najvažniji Ijudi u vašem životu?
6. Ko su bili oni najbliži?
7. Kako vam sada izgleda vaš život, kada pogledate unazad?
8. Kada biste mogli ponovo da ga proživite, šta biste promenili?
9. Kako objašnjavate ono što vam se dešavalo u životu?
 10. Kada biste imali priliku da napišete svoju životnu priču, koja bi po-
glavlja ona imala? Poglavlje 1? Poglavlje 2?... Koje bi bilo zadnje
poglavlje?

Ja lično
1. Kako biste opisali sebe kada ste bili mlađi?
2. Kako biste opisali sebe sada?
3. Jeste II se mnogo promenili tokom godina? U čemu?
4. Kakva je vaša životna filozofija? Uopšte, kakavje, po vama, smisao
života?

Drugi izvor podataka su razni dokumenti i materijali, a oni mogu poticati:

a) iz nezavisnih izvora i b) od samog ispitanika. Ako je ispitanik poznata osoba, o
njemu će se lako naći podaci iz nezavisnih izvora. Podaci koje daje sam ispitanik
mogu biti fotografije, stari dokumenti, raniji radovi, dnevnici itd. Između ostalog,
od ispitanika se može zahtevati da tokom istraživanja vodi dnevnik o svom
životu, svojim zapažanjima, sećanjima itd. Na nesreću, u tom slučaju se javlja
problem autorstva, odnosno vlasništva nad dnevnikom jer kakvo pravo ima istra-
živač da objavljuje tude memoare kao svoje.
Treći izvor podataka može biti učesničkoposmatranje (v.). Istraživač može
živeti ili provoditi vreme sa ispitanikom, a ako se radi o više ispitanika, sa svima
njima.
Praksa je pokazala da je triangulacija obavezna u biografskom istraživanju.
Treba koristiti sve raspoložive podatke da bi se korigovao ispitanikov nedostatak
sećanja ili pristrasnost. Uzorkovanje, odnosno izbor osoba čiji se život opisuje,
vrši se onako kako je opisano u studiji slučaja.
S obzirom na narativnu prirodu većina podataka koji se prikupe, biografsko
istraživanje je vrlo slično narativnoj (v) i etnografskoj (v.) analizi, kao i analizi
diskursa, dakle svim metodama i tehnikama koje se bave analizom teksta. To se
posebno odnosi na analizu prikupljenih podataka iz intervjua, dnevnika i ostalog.

K. Utemeljena teorija

Sociolozi Bamey Glaser i Anselm Strauss su 1967. godine predložili

utemeljcnu teoriju kao skup tehnika pomoću kojih se može izgraditi teorijsko
objašnjenje nekog društvenog procesa, akcije ili interakcije, na osnovu prikup-
Ijenih mišljenja učesnika o toj pojavi. Utemeljena teorija je ubrzo stekla priličnu
populamost u sociologiji i mnogi je vide kao najbolju operacionalizaciju kvalita-
tivneparadigme u domenu izučavanja Ijudskog ponašanja.
Po nekim mišljenjima, ako istraživač koji preferira kvalitativnu metodologi-
ju danas želi da izučava pojedince koristiće narativnu metodn ili fenomenologiju.
Ako želi da izučava procese, aktivnosti ili događaje, koristiće studiju slučaja ili
utemeljenu teoriju, a ako želi da razume široki kultumi kontekst ponašanja
pojedinaca ili grupa, koristiće etnografsku metodu (Creswell, 2003).
Inicijalna motivacija autora utemeljene teorije bila je krajnje pragmatična^^
- da ponude jednu referencu na koju bi mogli da se pozovu doktoranti koji koriste
kvalitativnu metodologiju. Da bi delo koje su pisali moglo da posluži kao meto-
dološki uzor, morali su da objedine i operacionalizuju osnovne postavke kvalita-
tivnog pristupa. Prirodno je da su za filozofsku perspektivu uzeli fenomenologiju,
a iz toga je sledilo i opredeljenje za induktivni način gradnje teorije. Konkretno,
istraživaču je sugerisano da odbaci sva svoja prethodna znanja i očekivanja i da
na osnovu posmatranja, intervjua ili neformalnog razgovora sa učesnicima neke
društvene situacije dobije podatke o tome šta oni misle o toj situaciji ili događaju
(recimo, kako studenti vide kurs iz metodologije).
Otkrivajući značenja koja ta situacija ima za učesnike, povezujući ih i obje-
dinjujući, istraživač gradi teoriju koja objašnjava razloge i motive učesnika,
odnosno doprinosi razumevanju uzroka i posledica njihovog ponašanja. Tu
teoriju, pošto je nastala isključivo na osnovu nepristrasno prikupljenih podataka,
autori su nazvali, američki pitoreskno, the grounded theory, odnosno teorijom
utem eljenom na podacim a.
Medutim, tokom razvoja utemeljene teorije, došlo je do razmimoilaženja
samih autora, Glasera i Straussa, a razlike u interpretaciji i primeni javile su se i
kod mnogih drugih autora. To je dovelo do toga da studentu danas nije lako iz li-
terature razumeti šta utemeljena teorija stvamo jeste, a viđeni autori čak sugerišu
da u istraživačkim izveštajima valja precizirati koja varijanta je korišćena. Citalac
će uočiti da je to karakteristika kvalitativnog pristupa jer za mnoge metode ne
postoji saglasnost čak ni oko osnovnih postavki, na primer da li su kvalitativne ili
kvantitativne. To je sigumo jedan od razloga što utemeljena teorija nije našla šim
primcnu van sociologije, pre svega u psihologiji. Ipak, utemeljena teorija se
pokazala, sa svim svojim varijantama i protivrečnostima, kao intuitivan i plodan
okvir za implementaciju kvalitativne metodologije. Ona je verovatno najbolja
ilustracija kvalitativne ideje i u tom smislu se u ovoj knjizi često pominje.
S obzirom da postoji više varijanti utemeljene teorije, nije lako izdvojiti šta
su njena bitna, konstitutivna svojstva. Danas se čini da bi ta svojstva mogla biti:
• prikupljanje i analiza podataka se obavljaju istovremeno,
• saznajni tok je iterativan i rekurzivan, jer se nakon početnog kodiranja
prikupljaju novi podaci, na osnovu novih podataka se stvaraju nove kate-
gorije i proces kreće iznova,
• pri izboru ispitanika, odnosno učesnika, koristi se teorijsko uzor-
kovanje.

Treba znati da su oba autora bila pod značajnim uticajem pragmatizma, što se
odrazilo na čitav koncept utemeljene teorije.
 • analiza podataka se bazira na kodiranju kvalitativnih podataka, koje je
dobro razrađeno i obavlja se u više faza i na više nivoa,
• literatura se konsultuje nakon početnih faza kodiranja, a nikako pre
kodiranja i
• gradi se teorija koja objašnjava nalaze.
Kasnije će svako od ovih svojstava biti detaljnije obrađeno i biće pokazano
zašto su ona značajna i zašto čine da utemeljena teorija zaslužuje status zasebne
vrste istraživanja koja predstavlja oličenje kvalitativne paradigme.
Debata Glasera i S trau ssa.- Nakon što su 1967. objavili knjigu J h e Discovery of
Grounded Theory", Glaser i Strauss su nastavili rad na utemeljenoj teoriji i u tridesetak
godina objavili nekoliko knjiga i mnogo članaka, Međutim, uskoro su počele da se pojavljuju
razlike između njih dvojice i njihovih saradnika, da bi devedesetih godina, po mišljenju
mnogih, nastale dve različite „utemeljene teorije" - Glaserova i Strauss-Corbinova.
Pojednostavljeno rečeno, Glaser naginje interpretaciji utemeljene teorije u celosti sa
stanovišta kvalitativne paradigme, u kojoj saznajni proces u potpunosti vode sami učesnici
(Glaser ima u vidu informatore, recimo stare Ijude koji pričaju o tome kako se nekada živelo
u njihovom selu). Nema i ne treba da bude nikakvog uticaja istraživača, usmeravajućih
pitanja, istraživačkih očekivanja, hipoteza i sl. Svet i stvarnost koji se pojavljuju u istraži-
vanju moraju biti isključivo oni koje konstruiše sam informator. Dakle, uloga istraživača je u
tome da prikuplja podatke, da ih kodira i da nastoji da vidi šta je suština, odnosno šta je ona
središnja kategorija koja objašnjava snimljene društvene pojave i dogadaje i na osnovu koje
se onda može formulisati teorija tih pojava. Glaserova utemeljena teorija je labav skup
tehnika i metoda, maksimalno induktivno orijentisana i pre svega usmerena ka sh/aranju
teorije, a ne njenoj verifikaciji. Glaser smatra da striktno poštovanje procedura za gradnju
utemeljene teorije - konstantnog upoređivanja, teorijskog uzorkovanja i kodiranja garantuje
da će teorija biti validna sa m a po se b i i ne predvida njenu dalju proveru.
Nasuprot njemu, Strauss i Corbin insistiraju na čvrstom pridržavanju postupaka za
gradnju utemeljene teorije. Oni su utemeljenu teoriju čvrsto metodoioški strukturirali I
zahtevaju od istražlvača da je poštuje. Pored toga, Strauss insistira na tome da utem eljena
teorija treba da p ro đ e p ro ces verifikacije, kao i svaka druga teorija. Po Straussu, utemeljena
teorija mora da se pridržava ,kanona dobre nauke”, kao što su ponovljivost, opštost,
preciznost, značaj i provera. Implicitno, Strauss smatra da su naučne metode univerzalne,
nazavisne od problema i zato smatra da ih se treba pridržavati. Glaser osporava Straussa u
tom pogledu jer misli da propisivanje metodologije umanjuje induktivnost i nepristrasnost
prikupijanja i analize podataka. On, naime, implicitno smatra da metode nisu univerzalne I
da određeni problemi zahtevaju određene metode za njihovo rešavanje i zato se preskrip-
cijom metodologije sužava mogućnost saznavanja fenomena.
Očigledno je da debata izmedu Glasera i Straussa ima opšti epistemološki značaj I
obuhvata stara pitanja saznajne teorije i epistemologije. ipak, danas se čini da većina autora
poštuje intenciju utemeljene teorije da generiše dobru teoriju, ali zahteva da ta teorija bude
proverer.a - razlike su samo u tome na koji način se smatra da treba biti proverena. Teorija
koja nastaje iz nepristrasno prikupljenih podataka, sa „bogatstvom detalja", autentičnim
iskazima učesnika i celovitim tumačenjem (što su perjanice kvalitativne paradigme) može
postići visok stepen uverljivosti. Medutim, ništa ne može zameniti empirijsku proveru teorije
jer nam jedino ona omogućuje da odlučimo koja je teorija bliža islini - ako ih ima više (a
hiljade društvenih istraživaća se brine za to da ih uvek ima više).
 Važno je znati i to da se utemeljena teorija ne bavi testiranjem hipoteza, tj.
nije konfirmativna, ali to ne znači da je ona eksplorativna. Ona rezultira teorijom
koja objašnjava i predviđa ponašanje. Isto tako, ona nije deskriptivno istraživanje
jer nastoji da interpretira pojave. Po tome je ona različita od etnografske i
fenomenološke metode, jer ne opisuje nego tumači. Nažalost, pokazalo se da su
razlike između opisivanja i tumačenja suptilne, pa tako i između fenomenoloških
istraživanja i utemeljene teorije (posebno u psihologiji). Preporuka je studentu da
ove distinkcije zasada uzme „zdravo za gotovo”, ali da zapamti da postoje fmese
kako bi ih mogao proučiti kad mu zatrebaju.

1. Gradnja utemeljenog teorijskog modela

Prikupljanje podataka se prepliće sa njihovom analizom .- Za

prikupljanje podataka za utemeljenu teoriju se najčešće konsti polustrukturisani
intervju, ali koriste se i sve druge metode; neposredno i učesničko posmatranje,
fokus grupe, neformalne konverzacije, hronologija dogadaja ili razni tekstuahii
prepisi. Šta više, raznolikost se preporučuje je r su triangulacija podataka,
odnosno sinergija podataka, važni za validaciju kvalitativnih istraživanja.
Ono što je za utemeljenu teoriju važno je da prikupljanje podataka morabiti
isprepleteno sa njihovom analizom. Na primer, nakon nekoliko prvih razgovora
mora se pripreiniti njihov transkript koji se onda kodira sa ciljem da se otkriju
ključni pojmovi ili teme. To obično dovodi do potrebe za novim. razgovorima, za
novim pitanjima i za proširivanjem uzorka ispitanika. Razumevanje situacije do
kojeg se došlo tokom jedne faze istraživanja koristi se za pripremu narednih faza,
Isprepletenost prikupljanja i analize podataka ima suštinski epistemološki
značaj za utemeljenu teoriju. Ono je preduslov da bi se gradnja teorije mogla
proglasiti induktivnom. Rekli smo da je inicijalno opredeljenje utemeljene teorije
da se ona gradi induktivno. Mnogi autori, a pre svih Glaser lično, i danas insisti-
raju da je utemeljena teorija bazirana na indukciji. Glaser je naziva ernergentnom
istraživačkom m e t o d o l o g ijo m nastaje, izvire iz podataka i koja je ukorenjena u
podacima.
A kada autori koji pripadaju fenomenološkom pravcu kažu da je neki proces
induktivan, oni podrazumevaju da se podaci prikupljaju bez ikakvih očekivanja,
hipoteza i predefinisanih kategorija. Pošto su mnogi primenjivali utemeljenu
teoriju tako što su proveravali bilo svoja očekivanja, bilo nalaze prethodnih
istraživanja, smatra se da su oni učinili otklon od induktivne, emergentne prirode
utenieljene teorije. Na primer, ako se istražuje kako studenti doživljavaju kurs iz
metodologije, istraživač može pretpostavljati da su studenti prve godine iznena-
deni sadržajem kursa jer nisu očekivali da će to učiti na studijama psihologije (na
primer). On će onda želeti d aproveri da li je to tačno i može primeniti utemeljeni
teorijski model, ortodoksan u svim detaljima osim u tome što polazi od jedne
početne pretpostavke.
 Da bi se izbegao ovaj epistemološki nesporazum oko toga da li je uteme-
Ijena teorija induktivna i koliko, odnosno da bi se proširio epistemološki okvir
utemeljene teorije, nismo u podnaslov izvukli „induktivno građenje teorije”, nego
isprepletenost prikupljanja, kodiranja i analize podataka (Langdridge, 2004). Na
taj način teorija i dalje ostaje utemeljena na podacima i emergentna, a izbegava se
(nepraktičan i skoro nemoguć) zadatak da istraživač pred istraživanje zaboravi
sve što je ranije znao.
T eorijsko uzorkovanje.- Nakon nekoliko prvih obavljenih intervjua i
kodiranja njihovih izjava javlja se potreba za dodatnim razgovorima sa istim
ispitanicima, ali i sa drugim ispitanicima. Na primer, nakon prvih razgovora sa
studentima o kursu iz metodologije, jedna od studentica psihologije koja voli
metodologiju je spomenula kako joj se čini da su njene kolege upisale psihologiju
da bi sebi pomogle. Drugi student koji voli metodologiju je izjavio da ceni i voli
statistiku.
Istraživač će, verovatno, prema proceduri utemeljene teorije, u daljem
istraživanju želeti da razgovara i sa ženama i sa muškarcima, kako bi ustanovio da
li postoje polne razlike u stavovima prema metodologiji. Pored toga, u daljem
razgovoru će nastojati da izdvoji studente koji dele stav o „motivu samopomoći”
kod njihovih kolega.
Jasno je da ovakvo biranje studenata «ema za cilj da postigne reprezentativ-
nosl iizorka, nego da obezbedipodatke za razvoj teorije. Tokom analize podataka
(a ona teče paralelno sa prikupljanjem), a na osnovu dotad uočenih pravilnosti i
dominantnih tema i pitanja, odlučuje se o tome koga još treba posmatrati. U
tem inologiji utemeljene teorije ovakvo uzorkovanje se naziva teorijskim.
Očigledno je da uzorkovanje u utemeljenoj teoriji ima sasvim drugačije
namere i ciljeve od uzorkovanja u kvantitativnim istraživanjima. U kvantitativnim
istraživanjima se od uzorka zahteva da bude reprezentativan, jer se ciljevi istraži-
vanja (često, ali ne uvek) mogu dostići jedino na reprezentativnim uzorcima:
provera teorije, deskripcija, generalizacija i sl.
K o d iran je .- Kodiranje kvalitativnih podataka je zajednički imenilac svih
kvalitativnih istraživanja. Kodiranje i generisanje kategorijaje, naprimer, presud-
no za analizu sadržaja (v.), koja se u mnogim tačkama preklapa sa utenieljenom
teorijom, osim u gradnji teorije. Zbog značaja koje ima, kodiranju smo dodelili
zasebno poglavlje (v.). Za utemeljenu teoriju se pre može reći da je utemeljena na
kodiranju nego na podacima. Tačnije rečeno, teorija će biti onoliko utemeljena
koliko su kodovi utemeljeni na podacima i koliko dobro oni stvarno odražavaju
značenja sadržana u podacima.
Kodovi mogu biti simboli, reči, opisi, čitave rečenice i komentari (memoi)
kojima označavamo jedinice analize u tekstu. Postoji sledeća izreka: kodiranje je
analiza, ali kodovi u utemeljenoj teoriji sadrže samo izvesnu kohčinu analize. Oni
su tek deskripcija uočenih manifestnih ili latentnih značenja sadržanih u tekstu, ili
samo oznaka kategorije u koju ta jedinica analize spada. Kategorije predstavljaju
viši nivo apstrakcije, generalizacije i konceptualizacije nego kodovi. lako ih
miiogi autori izjednačavaju sa pojmovima, odnosno konstruktima, Strauss i
Corbin smatraju da su kategorije na višem stepenu opštosti i apstrakcije od
pojmova jer mogu da obuhvataju više pojmova i njihovih odnosa. One obično
obuhvataju više kodova i više delova teksta, sve do središnje kategorije (engl.
core), koja se odnosi na glavninu prikupljenih podataka i oko koje se formira
utemeljena teorija.
Inicijalno, Glaser i Strauss su podehli kodiranje u utemeljenoj teoriji na: a)
otvoreno, b) aksjalno i c) selektivno. Otvoreno kodiranje obuhvata početnu
analizu prikupljenih podataka. Transkripti i terenske zabeleške se sređuju, dele se
na jedinice analize, jedinice se označavaju i onda se sreduju po smislu i značenju.
Sredivanje jedinica teksta po oznakama-kodovima praćeno je stalnim upoređiva-
njem i ima za cilj da ustanovi kategorije.
Aksijalno kodiranje nastavlja sa ovako formiranim početnim kategorijama
i potkategorijama, ali se zasniva na uočavanju njihovih veza i ođnosa. Na osnovu
povezanosti inicijahiih kategorija po smislu, značenju, mestu u tekstu, osobama
koje su dale izjavu itd., aksijalno kodiranje završava novim krupnijim kategorija-
ma, koje mogu da obuhvataju više inicijalnih, „otvorenih” kategorija.
Selektivno kodiranje je konačna faza kodiranja u kojoj se aksijahie katego-
rije povezuju medusobno sa ciljem da se objedine u jednu jedinstvenu kategoriju,
koja će onda postati osnova utemeljene teorije.
Ova Glaser-Straussova podela nije univerzalno prihvaćena, ali njen smisao
i intencije jesu. Na primer, Charmaz (prema Langdridge, 2004) deli kodiranje u
utemeljenoj teoriji na: a) inicijalno kodiranje ili kodiranje redpo red i b) fokusi-
rano kodiranje. Kodiranje red po red otprilike odgovara otvorenom kodiranju.
Naziv potiče otuda što istraživači u početnoj fazi obično čitaju tekst red po red i
nastoje da svaki red kodiraju, odnosno razvrstaju pod neko značenje. Otvoreno
kodiranje, odnosno kodiranje red po red jesu ih mogu da budu maksimalno in-
duktivni. Naime, istraživač ne mora imati nikakve predefinisane kategorije, nego
može označavati delove teksta baš prema onome što mu se učini da oni znače.
Tokom fokusiranog kodiranja se inicijalni kodovi analiziraju s obzirom na
značaj, stabilnost i smislenost. Onda se oni koriste za označavanje većih delova
teksta. Ne treba zaboraviti da su analiza i prikupljanje podataka isprepleteni, pa
ako istraživač nije siguran u smisao nekih kodova, on će izvršiti dodatno inter-
vjuisanje. Ovo intervjuisanje će biti sve više usmxravano kako istraživač bude
imao konkretnija pitanja. Zato je fokusirano kodiranje manje induktivno nego
kodiranje red po red.
Cilj fokusiranog kodiranja (isto kao i aksijalnog i selektivnog) je formiranje
širih kategorija značenja koje su čvrsto zasnovana na podacima. Da bi se to
postiglo potrebno je stalno uporedivati novootvorene kategorije sa podacima,
nadopunjavati postojeće podatke i vraćati se na izvomi tekst. Zato se za kodiranje
u utemeljenoj analizi kaže da je dinamičko.
Za ilustraciju inicijalnog i fokusiranog kodiranja upotrebićemo zamišljeni
intervju sajednim studentom. Tokom fokusiranog kodiranja, a na osnovu katego-
rija koje su se iskristalisale tokom inicijalnog kodiranja, izdvojene su tri kate-
gorije. Treba obratiti pažnju na to da je moguću centralnu kategoriju formulisao
sam ispitanik i ona je ovde označena kao „suštinska podrška studentu”. Ukoliko
bi se istraživač odlučio da nju usvoji za gradnju teorije o tome šta studenti
očekuju od univerzitetskog nastavnika, video bi da su njene komponente „prezen-
tiranje gradiva” i „participacija studenata”.

Transkript intervjua Inicijalno kodiranje Fokusirano kodiranje

Veoma cenim to što nastavnik Objašnjavanje gradiva Prezentiranje gradiva

nastoji da nam objasni gradivo i
da i nasloženije probleme ispri-
ča jednostavnim rečima... Trudi
se da uključi i nas, postavlja
nam pitanja I pažljivo sasluša
naše odgovore, ali mislim da
toga treba da bude još više...
Slajdovi su mu dobro organizo-
vani i jedna lekcija sledi iz dru-
ge... Ako ga neko nešto pita
uvek se potrudi da odgovori...
Da nije toga bilo bi mi veoma
naporno da spremim taj ispit jer
je gradivo teško i nama nera-
zumljivo...
Jednostavno prezentiranje gra- Prezentiranje gradiva
diva
Uključivanje studenata u nas- Participacija studenata
tavu i ohrabrivanje da učestvuju
(nedovoljno)
Organizacija i prezentacija gra- Prezentiranje gradiva
diva
Odgovara na pitanja Participacija studenata
Student oseća predmet kao Suštinska podrška studentu
težak ali nastavnik mu olakšava

Stalno upoređ iv an je.- Ono je osnovni proces utemeljene teorije pomoću

kojeg se indentifikuju kategorije i gradi teorija. Tokom čitave gradnje teorije, od
prvog intervjua do kraja, istraživač mora stalno da poredi prethodne nalaze sa
novim. Čim se ustanovi neka tema, odnosno kategorija, moraju se skupiti svi
delovi teksta vezani za nju i uporediti jedan sa drugim, ali i sa tekstovima koji
pripadaju drugim kategorijama. Na osnovu sličnosti donosi se odluka o spajanju
u nove kategorije, a na osnovu razlika o uvođenju novili kategorija ili pot-
kategorija.
Stalno upoređivanje ima prvorazrednu ulogu u validaciji utemeljene teorije.
U neprekidnoj komparativnoj analizi kategorija i slučajeva vidi se osnovna
mogućnost da se uoče neusklađenosti, skrivene povezanosti ili mogućnosti
objedinjivanja značenja. Posebno se istraživači podstiču da analiziraju negativne
slučajeve. Ukoliko se pronađe ispitanik koji se ne uklapa ni u jednu kategoriju to
je dobar signal da treba korigovati kategorije, dodati nove, ili im povećati
kompleksnost.
Iterativ n o st.- Preklapanje prikupljanja i analize podataka, teorijsko uzor-
kovanje, konstatna komparativna analiza i kodiranje, svi oni podrazumevaju
iterativnost i rekurzivnost. Postupak se ponavlja sve dok se kategorije ne stabili-
zuju ili se vraća na početak ukoliko se uoče protivrečnosti. Ponavljanje i vraćanje
unazad su bitni kako za implementaciju induktivne gradnje teorije, tako i za
validaciju. Utemeljena teorija je po svojoj suštini iterativan proces u kome analiti-
čar postaje sve više i više „uzemljen” na podacima a istovremeno razvija sve
bogatije koncepte o tome kako pojava koju istražuje stvamo funkcioniše.
Ovo svojstvo će biti jasnije ukoliko se utemeljena teorija uporedi sa kvanti-
tativnim istraživanjima. U kvantitativnim istraživanjima se ponavljanja, odstu-
panja od plana i vraćanje na prethodne korake dešavaju samo po nuždi, kao velika
nevolja. Osim toga, ponavljanje je često nemoguće, na primer ako se radi o
istraživanju u kome se ispituje uticaj nekih trajnih promena kao što su psihotcra-
pija, odrastanje, program obuke itd. Za kvalitativna istraživanja se, u cehni, kaže
da ih odhkuje fleksibilan tok, a u utemeljenoj teoriji je fleksibilnost obavezna.
Razvoj te o rije.- Ostalo je još nekohko koraka i aspekata gradnje utemelje-
ne teorije koje treba istaći. Na prvom mestu to je konsultovanje literature.
Konsultovanju hterature, odnosno „istraživanju u bibhoteci” se u utemljenoj
teoriji pristupa nakon kodiranja, a ne pre. Ne postoji saglasnost oko toga kada
tačno treba početi sa pregledom hterature. Zahtev da se hteraturi pristupa odlože-
no proistekao je iz zahteva za nepristrasnim prikupljanjem podataka i induktivnim
inicijalnim kodiranjem. Smatra se da bi saznanja stečena čitanjem prethodnih
radova omela istraživača da ispuni ova dva zahteva. Ovo karakteristično i pomalo
neobično pravilo provlači se danas kroz sva kvahtativna istraživanja i utiče na to
kako se pišu istraživački izveštaji. Ukratko, u izveštajima iz kvalitativnih istra-
živanja nije retkost da se glavnina hterature navodi tokom diskusije i zaključaka,
a ne na početku, u uvodu, kako je to uobičajeno u kvantitativnim studijama.
U praksi, sasvim je uobičajeno i dozvoljeno da se pre istraživanja kon-
sultuje tzv. tehnička hteratura (npr. o metodologiji utemeljene teorije). Sa konsul-
tovanjem hterature o samoj pojavi se počinje kada se počnu izdvajati kategorije.
Tokom gradnje teorije, što kategorije bivaju krupnije i što je središnja kategorija,
kao i teorija koja iz nje nastaje višeg nivoa, sve je neophodnije da se podrška
potraži u literaturi. Konačno, kada je utemeljena teorija formirana, mora biti
obirrmo komparirana sa diTigim nalazima i taj korak predstavlja jedan oblik njene
validacije. Drugi načini validacije su sadržani u svim opisanim koracima uteme-
Ijene teorije, ali i u tome da se koriste dnigi skupovi podataka i drugi timovi pro-
cenjivača - triangulacija.
Osini konsultovanja literature, u gradnji teorije se koriste i memoi (od engl.
memo, komentar, opaska). Memoi su se pokazali kao veoma važni i korisni za
prelaz sa kategorija na teoriju. Nakon što su identifikovane sve relevantne tem e-
kategorije, sledeći korak u utemeljenoj teoriji je utvrđivanje odnosa izmedu tih
tema (aksijalno i selektivno kodiranje). Memoiziranje je glavna tehnika pomoću
koje se otkrivaju odnosi između tema. Uz pomoć memoa istraživač modelira
moguće međuodnose kategorija, sve do konačnog cilja - središnje kategorije koja
objedinjuje značenja svih pojmova i tema.
Memoiziranje može početi od samog početka i obuhvata komentare koje
istraživač zapisuje tokom čitanja i kodiranja teksta. To mogu biti podsetnici,
objašnjenja zašto i kako su dodeljeni kodovi, zapažanja o povezanosti kategorija,
nejasnoće i sumnje, hipoteze i sugestije za dalje razmišljanje. Zabeleške se mogu
odnositi na mišljenja istraživača o tome šta zapravo govore ispitanici, ih mogu
 biti sasvim operativna i praktična zapažanja. Memoi se upisuju na marginama ili
na posebnim karticama. U početku su vrlo slobodni i otvoreni, a kasnije teže da
budu sve više specifični i usredsređeni na osnovni konccpt. Sve memoe treba
tretirati kao provizome i privremene. Sve vreme tokom interpretacije teksta istra-
živač treba da zapisuje svoje misli i utiske o tome šta čita. Treba koristiti svaku
priliku da se napravi pauza i zapišu zapažanja i ideje.
Tcorija se formira u obliku priče (naracije) i mora biti formulisana lineamo,
oko jedne centralne teme koju čini središnja kategorija, tačnije priča u celini
predstavlja defmiciju središnje kategorije (Pandit, 1996). Središnja kategorija
„mora biti kao sunce koje stoji u sistematskom poretku prema svojim planetama”,
ostalim kategorijama i potkategorijama. Po verziji Straussa i Corbina, taj siste-
matski poredak, koji središnju kategoriju povezuje sa ostalim kategorijarna uspo-
stavlja se na osnovuparadigmatskog modela. Paradigmatski model se predstavlja
sheinom: kauzalni uslovi -> fenomen -► kontekst -* intervenišući uslovi ->•
strategije akcije i interakcije -+ posledice. Središnja kategorija se defmiše kao
fenomen. Kauzalni uslovi su događaji koji vode razvoju fenomena. Kontekst i
intervenišući uslovi tvore jedan širi skup uslova u kojima se fenomen odvija.
Strategije akcije i interakcije se odnose na ponašanje koje na.staje kao odgovor na
fenomen, a posledice su, konačno, svi oni svesni i nesvesni ishodi tog ponašanja.
Ilustrovaćemo ovo primerom koji su dali Strauss i Corbin (citirano prema
Garson, 2000).
Iseč ak iz zapisnika intervjua
„Ublažavanje bola je glavni problem kada imate artrilis. Nekada je bol jači, a nekada
slabiji, ali kada postane stvarno jak, jojl To boli tako jako da ne žeiite da ustanete iz kreveta.
Osećate se kao da ne možete ništa da radite. Svako olakšanje koje donesu pilule koje uzi-
nnate je prolazno I delimično.”

Kodiranje, m em oiziranje i fonviran je u tem eljene teorije

Jed na od stvari koje se ovde raspravljaje BOL. Jedno svojstvo bola je INTENZITET:
on varira od slabog do snažnog (kada je snažan, a kada je slab?), Kada strašno boli, posto-
je posledice: ne želite da ustanete iz kreveta, ništa vam se ne radi (koje su druge stvari koje
ne radite kada vas boli?). Da bi se rešio ovaj problem, treba vam UBLAŽAVANJE BOLA.
Jedan AGENT UBLAŽAVANJA BOLA su lekovl (koji su drugi članovi ove kategorije?).
Ublažavanje bola ima odredeno TRA.JANJE (može biti privremeno) i DELOTVORNOST
(može biti parcijalna)."

Treba imati na umu da je ovo Straassova verzija utemeljene teorije. To se

vidi iz toga što se koriste neke predefuiisane dimenzije, tačnije gradivni elementi
utemeljene teorije. Ovi gradivni elementi su sadržani u samom paradigmatskom
modelu, a Strauss i Corbin ohrabmju istraživača da ih u tekstu uočava i kodira. Iz
gorajeg primera se vidi da je središnja kategorija,/e;7omen bola. K auzabi uslov
je artritis, strateška akcija je uzimanje lekova, a posledica je smanjenje bola. U
suprotnom, posledica je smanjena radna sposobnost. Kontekst i intervenišući
uslovi su jačina bola, kao i trajnost i delotvomost terapije,
Pošto su iterativnost i rekurzivnost važna svojstva utemeljene teorije, nema
jasno određenog završetka u gradnji teorije. Načelno, kao kriterijum završetka
prepomčuje se tzv. saturacija teorije. To je kada dodatni podaci i dodatna analiza
ne donose nove kategorije, niti menjaju postojeće. U suštini, projekt završava kad
istraživač odluči da je kraj.
Konačno, za utemeljenu teoriju je važno p red stav ljan je rezultata. Prezen-
tiranje utemeljene teorije je obično veoma lagano, je r je materijal pogodan za
prezentaciju nastajao tokom njene gradnje; dijagrami, primeri, kodna shema,
memoi itd. Preporučuju se integrativni dijagrami na kojima su prikazane sve
kategorije i njihovi međusobni odnosi. To mogu biti pojmovne mape, usmereni
grafovi ili čak obični crteži koji funkcionišu kao sažeti prikazi. Vrlo je važno da
sve tačke, tj. čvorovi grafikona budu ilustrovani primerima iz teksta. Ilustrativni
primeri za kategorije rnogu se prikazati i tabelamo. Uopšte, u izveštajima iz
kvalitativnih istraživanja podrazumeva se navođenje primera i izvoniih podataka,
u originalnom jeziku. Obilno ilustrovanje delovima teksta je korisno kako za
dokazivanje kategorija i modela, tako i za prikazivanje spomih mesta.
Pristup utemeljene teorije, koji uključuje iterativno kodiranje i konstantno
memoiziranje se nalazi u osnovi ne samo sva tri softverska paketa koja ćemo
navesti kao kvalitativne semantičke pakete u poglavlju o primeni računara u
analizi teksta, nego i većine paketa koji se deklarišu kao paketi za kvalitativnu
analizu, analizu sadržaja ih na neki drugi način.

2. Jedan potpuniji prim er utemeljene teorije

Kearney et al. su 1995 (navedeno prema Russell i Ryan, 1998) intervjuisali 60 žena
koje su rekle da su tokom trudnoće uživale kokain u proseku jednom nedeljno. Polustruk-
turirani intervjui su trajali između jednog i tri sata i obuhvatali su detinjstvo, odnose, životni
kontekst, prethodne trudnoće I akcije tokom tekuće trudnoće koje su se odnosile na upo-
trebu droge, prenatalnu brigu i brigu o sebi,
Zapisnici su kodirani i analizirani odmah ćim bi postali dostupni. Čim bi se pojavila
neka nova tema, istraživači su postavljali pitanja o toj temi u sledećim intervjuima. Time su
prikupljanje i analiza podataka bili isprepleteni. Kearney i sar. su prvo kodirali podatke
prema opštim temama na osnovu kojih su sprovodili intervjue (otvoreno kodiranje), Nakon
toga su članovi tima ponovo čitali zapisnike, tragajući za novim primerima sociopsiholoških
tema u kazivanjima žena, Svaki put kad bi naišli takav primer oni bi postavljali pitanja ,,o
ćemu govori ovaj primer?”. Odgovori bi sugerisali neke suštinske kategorije koje bi zatim
bile doterivane na osnovu drugih zapisnika.
Autori su zatim pratili kako su te osnovne kategorije bile međusobno povezane (ak-
sijalno kodiranje), Oni su zapisivali svoje ideje o tim interakcijama u formi memoa i razvijali
su preliminarnl model, U svakom sledećem zapisniku tražili su negativne slučajeve i delove
teksta koji su dovodili u sumnju njihov model, Na osnovu toga su korigovali model kako bi
uključili sve varijante koje su se pojavljivale u zapisnicima,
Za početak, Kearney i sar, su identifikovali 5 glavnih kategorija koje su nazvali:
VREDNOST, NADA, RIZIK, REDUKCIJA ŠTETE i KONTROLA STIGME (velika slova se
ćesto koriste za kodna imena u istraživanjima sa utemeljenom teorijom). Zene su vred-
novale svoju trudnoću i buduću prinovu shodno svojim vlastitim životnim prioritetima
(VREDNOST); žene su iskazivale različite stepene nade da će tnjdnoća završiti dobro i da
 će one biti dobre majke (NADA) i one su bile svesne da upotreba kokaina predstavlja rizik
za fetus, ali su taj rizik percipirale na različit način (RIZIK).
Žene su na različit način nastojale da smanje rizik za fetus (REDUKCIJA ŠTETE) i
koristili su različite strategije da smanje društveno odbacivanje i omalovažavanje (KON-
TROLA STIGME). Nakon što su kodirali 20 intervjua, Keamey i sar. su shvatili da su kate-
gorije REDUKCIJA ŠTETE i KONTROLA STIGME komponente jedne kaipnije kategorije
koju su nazvali IZBEGAVANJE ŠTETE. Nakon što je približno 30 intervjua bilo kodirano, oni
su identifikovali i označili jedan opšti psihološki proces koji su nazvall SPASAVANJE SELFA
koji je uključivao svih 6 glavnih kategorija (selektivno kodiranje). Teorljska saturacija je
dostignuta nakon približno 40 Intervjua, a Kearney i sar. su sprovell još 20 intervjua a da
nisu otkrill nijednu novu kategoriju ili odnos.
Kearney i sar. su predstavili svoj model grafičkl, povezujučl ga sa llustrativnim
primercima teksta. Opisali su sa bogatstvom detalja svaku glavnu kategoriju koju su otkrill.
Konačno, proverili su valjanost svog modela predstavljajući ga obaveštenim informatorima
(trudnlcama narkomankama), članovima tlma projekta i stručnjacima iz oblasti zdravstva I
socljalnog staranja koji su poznavali dotičnu populaclju.

L. Meta-analiza

Meta-analiza je „istraživanje na istraživanjima”, ili, kako se u žargonu kaže,

„istraživanje bez prikupljanja podataka”. U meta-analizi se vrši kvantitativna
analiza smera i intenziteta povezanosti nezavisnih i zavisnih vahjabli u različitim
istraživanjima. Kao takva, mcta-analiza spada u kvantitativna istraživanja.
Primena kvantitativne meta-analize u savremenim naukama, kako društvenim,
tako i prirodnim, u veoma je brzom razvoju. Na primer, u prvih 15 godina, od
1977. do 1990, broj radova referisanih u PsycINFO je porastao sa nula radova
godišnje na 160 godišnje (Lyons, 2004).
Zamislimo situaciju, koja se rcdovno dešava u istraživačkoj praksi, da istra-
živač, nakon faze pregleda literature, ustanovi da dve studije imaju podudame
nalaze, a treća sasvim suprotne. S obzirom da se u svim metodološkim knjigama,
pa i u ovoj, sugeriše da istraživač odabere problem iz oblasti u kojoj postoje
protivrečnosti i nejasnoće, velika je verovatnoća da će se u ovoj situaciji istra-
živač odlučiti da sprovede svoju studiju. Medutim, bogato iskustvo sa naučnom
produkcijom u XX veku govori da će ta studija ili dovesti do nerešene situacije,
ili situacije 3;1 u korist prvih nalaza. Ni jedan ni drugi ishod neće predstavljati
defmitivan dokaz, niti će razrešiti nejasnoće. Dodatna studija će biti samo još
jedna nova studija, koja će predstavljati „poziv” narednom istraživaču da i sam
dodatno istražuje, čime se broj istraživanja neprestano povećava, ne nužno u
pravcu konačnog razrešenja problema.
Preovladujući postupak koji istraživači primenjuju u pregledu literature je
da se utvrdi da li je u citiranim studijama pronaden značajan efekt ili nije. Ovaj
postupak su Hedges i Olkin nazvali „brojanjem glasova” - ako većina studija
 kaže ,,da”, onda je ,,da”. Razvoju meta-analize dugujemo saznanje da je brojanje
glasova pogrešan postupak za utvrdivanje da li postoji povezanost nezavisne i
zavisne varijable.
Kao logičan izlaz iz takve situacije, u naučnoj zajednici je duže vremena
cirkulisala ideja o objedinjavanju istraživanja, o njihovom epistemološkom sabi-
ranju, međusobnom posuđivanju snage, o iskorišćavanju što više informacija iz
dosada provedenih istraživanja i kumuliranju saznanja koje bi u krajnjoj liniji
dovelo do konvergencije ka istini. Uočeno je da bi se takva ideja mogla ostvariti
samo ako bi se izvršila neka vrsta „istraživanja na istraživanjima”, koju danas
nazivamo meta-analizom.
Početak meta-analize pripisuje se Karlu Pearsonu koji je 1904. prikupljao
koeficijente korelacije da bi ispitao prosečni učinak vakcinacije protiv malih
boginja na preživljavanje. Doprinos u tom smislu dali su i drugi klasici modeme
statistike, kao što su Ronald Fisher, William G. Cochran i George Snedecor. Prvi
koji je uočio potencijal meta-anahze kao posebne vrste istraživanja, koja uključu-
je postavljanje hipoteza i sistematsko izučavanje, a sa ciljem objedinjavanja,
poređenja i kumuiiranja rezultata različitih istraživanja i koji je to nazvao meta-
analizom bio je Glass. Od tada (1976), praktična primena ovog tipa istraživanja
postajala je sve masovnija i danas je postala jedna od uobičajenih vrsta (nacrta)
istraživanja i može se sresti u većini časopisa koji objavljuju istraživačke izvešta-
je. U nekim oblastima, recimo istraživanju efikasnosti terapije, meta-analitičke
studije su dominantan način istraživanja.
Glass je defmisao meta-analizu kao „analizu na analizama... statističko
istraživanje na velikom broju rezultata iz individualnih istraživanja u cilju integri-
sanja nalaza”. Meta-analiza omogućava istraživaču da na sistematski način izuči
i da smisla velikom broju naizgled nekonzistentnih nalaza iz innogih primamih
istraživanja. Primena kvantitativne meta-analize obično se zasniva na prikupljanju
mera veličine efekta, koji se generalno defmišu kao mere veličine rezultata koje
su nezavisne od skale merenja u primamom istraživanju, veličine uzorka, varija-
bilnosti i drugih faktora,
Glass je razlikovao meta-analizu od analize sekundamih podataka, koju
smo ovde prikazali kao posebnu metodu prikupljanja podataka. Analiza sekundar-
nih podataka je stara i dobro poznata metoda analize podataka koje su prikupili
drugi, a istraživač ih analizira iz dmge perspektive ili dnigim metođama. Za razli-
ku od nje, meta-analiza se bazira na analizi sumarnih podataka iz više istraživa-
nja, recimo aritmetičkih sredina (a ne sirovih podataka), po danas već razrađenoj
metodologiji, sa ciljem da se izvuku zaključci koji su zajednički za sva ta
istraživanja.
Meta-analiza se može koristiti i za formiranje utemeljene teorije. Osim
kvantitativne meta-analize, postoji i kvalitativna, koja se koristi za kvalitativnu
analizu različitih karakteristika istraživanja. uzimajući u obzir sve dostupne
podatke o istraživanju, a ne samo glavne nalaze. O kvalitativnoj meta-analizi biće
reči u zasebnom odeljku.
 1. Veličina efel<ta

U kvantitativnoj meta-analizi se smatra da je fundamentalni ishod svakog

istraživanja veličina efekta (engl. effectsize). Naziv potiče od Glassove namere da
izračuna prosečan uticaj eksperimentalnog tretmana na zavisnu varijablu, ne vo-
deći pri tome računa o statističkoj značajnosti (jer ona zavisi od veličine uzorka,
od tipa statističkog testa, od altemativne hipoteze ili prihvaćenih grešaka I i II
tipa). Za to je bila potrebna neka mera ili indeks koja bi bila nezavisna od jedinica
merenja ili varijabilnosti u pojedinačnim istraživanjima, a ta mera bi onda pred-
stavljala univerzalnu kvantifikaciju vehčine efekta tretmana na zavisnu varijablu.
O problem.ima testiranja značajnosti, odnosno testiranja statističkih hipoteza
govori se u glavi o kvantitativnoj analizi. Ovde ćemo tim problemima dodati onaj
koji je Glass hteo da reši uvođenjem meta-analize. Krajnje pojednostavljeno, kad
god testiramo značajnost nuhe hipoteze, mi ponderišemo dobijenu veličinu efekta
veličinom uzorka:
test značajnosti = veličina efekta x veličina uzorka.
Na primer, dva istraživanja koja imaju identičnu vehčinu efekta, mogu se
drastično razlikovati u oceni značajnosti zato štoje jedno sprovedeno na velikom,
a drugo na malorn broju objekata. Meta-anaHza nam pomaže da razumemo da
nalazi koji se u istom smeru ponavljaju u više istraživanja, čak i ako nijedan nije
značajan, predstavljaju mnogo „teži” dokaz nego pojedinačan a značajan nalaz.
Na primer, kada se meta-analitički obradi, dobiće se da su dva nalaza sa
značajnošću p=0,06 mnogo jači dokaz (p=0,014) protiv nuhe hipoteze, nego
jedan nalaz od p=0,05. Deset rezuhata na p=0,l su čvršći dokaz protiv nulte hipo-
teze (p= 0,000025), nego štoje p etn jih n a p=0,05 (p=0,00012). Meta-analiza nam
omogućuje, ali nam i skreće pažnju, da mnogo mahh i neznačajnih rezultata mogu
stvoriti tačnu sliku o predmetu istraživanja (Rosenthal i DiMatteo, 2001).
Danas se meta-analiza ne bavi sarno eksperimentalnim istraživanjima, pa se
veličina efekta definiše h.ao jačina povezanosti između nezavisne i zavisne vari-
jable. U tom smislu, meta-analiza se bavi pojedinačnim efektima i ne obraća
pažnju na „sliku u celini”. Istraživači u meta-analizi nemaju posebnog interesa da
se bave istraživanjem „sekundamih” varijabli - od interesa je uticaj psihoterapije
na ozdravljenje, uticaj veličine razreda na uspeh učenika, povezanost asertivnosti
i bolesti zavisnosti - da navedemo samo neke od nezavisnih i zavisnih varijabli.
Medutim, postoje bar dva aspekta koja treba imati u vidu. Prvi je značaj
moderatorskih varijabli. Ako studije pokazuju da terapija deluje kod mladih, a ne
kod starih, onda je starost moderatorska varijabla i ona ne sme biti previđena u
meta-analizi. U toin slučaju bi meta analiza morala, na primer, biti sprovedena na
odvojenim istraživanjima koja su se bavila uzorcima mladih i starih. Dnigi aspekt
je taj što meta-analitičko istraživanje može drugačije definisati varijable nego što
to čine pojedinačna istraživanja. Kasnije će u primeru biti prikazano kako se u
meta-analizi mogu proglasiti nezavisnom i zavisnoiTi varijable (pol, starost i
inteligencija), koje nisu tako bile defmisane u izvomim istraživanjima.
 Da bi se mogla smisleno koristiti u meta-analizi, mera veličine efekta mora
zadovoljiti nekoliko uslova: a) mera veličine efekta ne sme zavisiti od veličine
uzorka, b) ona ne sme zavisiti od skale i jedinica merenja, c) ona mora biti nulta
ako ne postoji povezanost i d) njena distribucija uzoraka mora biti poznata,
najbolje nomialna, sa poznatom (ili procenljivom) varijansom, tj. standardnom
grešlcom. Iz malopređašnje definicijc veličine efekta čitalac verovatno već ima
predstavu da bi koeficijent korelacije bio jedna od takvih mera. Stvamo,
koeficijent lineame korelacije jeste mera veličine efekta koja se često koristi.
Medutim, kada su varijable nominalne ili kategorijalne, istraživači neće koristiti r,
nego različite dmge indikatore povezanosti, recimo t, F ili statistike. Nažalost,
istraživači znaju da testovi statističke značajnosti (za t, F, itd.) zavise od
veličine uzorka, tačnije od broja stcpeni slobode. Zbog toga se dobijeni, npr. F
statistici, iz različitih istraživanja ne mogu porediti, niti se mogu sabirati (da bi se
našla neka vrsta proseka).
lako je koncept veličine efekta jednostavan - uticaj jedne varijable na drugu - nije
lako izvesti neku njegovu jedinstvenu meru. Mnoga istraživanja se zanivaju na složenim
nacrtima koji sadrže više varijabli, više grupa I njihovih kombinacija. Osim toga, još uvek je
teško iz objavljenih istraživanja izvući podatke na osnovu kojih se može izračunati veličina
efekta, pa se, recimo, u mnogim radovima veličina efekta mora procenjivati iz grafikona, lli
se mora kontaktirati autor da bi se saznala veličina grupa. Da bi se meta-analiza prilagodila
svim varijacijama složenih nacrta i manjkavih izveštaja, razvijeni su mnogi indeksi veličine
efekta, u zavisnosti od vrste i nacrta istraživanja, tipa varijabli, statlstlčke tehnike i vrste
istraživačkih pretposlavki. Osim toga, oblast kvantitativne meta-analize se još razvija i po-
stoje razlike u terminologlji I razlike u razvrstavanju pokazateija veličlne efekta.

Podsetimo se odeljka o sličnosti korelacija i razlika u glavi o kvantitativnoj

analizi. Tamo je rečeno da postoje ,,dve statistike”, Fišerova i Pirsonova, prva
koja ispitiije razlike i druga koja ispituje sličnosti. Jedna prihvatljiva podela indi-
katora veličine efekta asocira na ovu distinkciju dve statistike. Po toj podeli
postoje dve osnovne klase vehčina efekta: a) standardizovane razlike aritmetičkih
sredina - kada se kao veličina efekta obično koristi d i b) mere korelacije između
varijabli - kada se kao veličina efekta obično koristi r. Međutim, biće nam
koristan stav da su, u stvari, sve studije korelacione, odnosno da se svaka analiza,
ma koliko tvrdo bila bazirana na testiranju hipoteze o razlici, može svesti na neku
vrstu korelacije.
Veličina efekta je osnova meta-analize, medutim, d o b ar pokazatelj veliči-
ne efekta nam om ogućuje da uporedim o nalaze dva istraživanja, pa čak i da
statistički testiramo razliku (Rosnow i Rosenthal, 2005).
 a. Poređenje dve nezavisne grupe p o kontinuiranoj (intervalnoj)
varijabli
Uobičajeno je da se u istraživačkim nacrtima tog tipa jedna grupa naziva
eksperimentalnom, a druga kontrolnom. Za analizu podataka se u tim situacijama
obično koristi z-test, /-test ili F-test za dve grupe (kada ima jedan stepen slobode
u brojitelju). Eksperimentalna gmpa mora u svim istraživanjima biti jednako
defmisana i to kao grupa koja je bila izložena jednom te istom dejstvu. U protiv-
nom, meta-analitičko poredenje istraživanja ne bi imalo smisla. Kontrolna grupa
u stvari služi za poredenje i smalra se da je manje važno da li je ona u svim istra-
živanjima defmisana na isti način. U toj situaciji se veličina efekta može izraziti
kao standardizovana razlika izmedu dve aritmetičke sredine. To je sasvim je-
dnostavna mera sa jednim stepenom slobode, kako bi rekli statističari. Više autora
je predložilo takvu meru, Glass, Hedges i Cohen, i njena osnovna formula je:

S = {M E -p i^ /o , [ 1]

pri čemu je prosek populacije iz koje dolazi eksperimentalna grupa, prosek

populacije iz koje dolazi kontrolna grupe, a a zajednička standardna devijacija
populacija. Pretpostavlja se, dakie, da su ili obe grupe izvučene iz iste populacije,
ili iz dve različite populacije koje imaju jednaku varijansu. Pošto se vrednosti /i i
crocenjuju iz uzorka, javlja se problem šta treba uzeti kao meru zajedničke vari-
janse populacija. Glass je predložio formulu u kojoj se kao najbolja procena
varijanse populacije uzima varijansa kontrolne gmpe. Ta formula onda glasi:
di = {M „ -M ,)l a^, [2 ]
gde je prosek eksperimentalne gn.ipe, prosek kontrolne grupe, a stan-
dardna devijacija kontrolne gmpe. Danas se prepomčuje Hedgesova i Cohenova
formula koja varijansu populacije procenjuje kombinujući obe grupe (engl.
pooled):

d=(M E-M i^)l [3]

gde je a^K srednja standardna devijacija obe gmpe. Ova formula ima dve vari-
jante, u zavisnosti od načina računanja cr^^. Opšta fomiula glasi:

Oe k = {[(«£- 1 ^ ^ + K - [4]
Ako se u imenitelju koristi N — (n^ + njJ, onda se dobijeni d naziva
Cohenov d, a ako se koristi N = (n^ + n^ - 2), dobijena vrednost se naziva
Hedgesov g. Cohenov d^e vrlo populam a mera i često se izjednačava sa pojmom
meta-analize, iako je Hedgesov g verovatno tačniji. Naime, ako se u imenitelju
koristi N -2, a^j^ postaje ocena populacione standardne devijacije. Ako je u
istraživanjima korišćen jednofaktorski nacrt analize varijanse, ili kada se razlika
dve gmpe računala r-testom, takva je identična kvadratnom korenu iz srednjeg
kvadrata greške (engl. error mean square, residual mean square, unexplained
 mean square-MSE). Ako je u istraživanjima korišćen višefaktorski nacrt analize
varijanse, koji se koristi u g^je koren iz srednjeg kvadrata unutar gnipa (MS„).
U daljem tekstu ćemo za oba indcksa koristiti oznaku d (osim kada razlika
nije izričito navedena). Na nesreću, ove tri varijante računanja d prave priličnu
zbrkii, što neke autore navodi da sugerišu da se za veličnu efekta koristi r. Razlika
između rfigje sve manja kako su veličine grupa veće. Postoji jednostavna foimu-
la za konverziju c/u
g = d ! [{nE+n^)l{ne+n,c-2)f = d / {N I b s s f . [5]
Veličina efekta iskazana preko d je jednaka nuli kada ne postoji razlika
između aritmetičkih sredina grupa i distribuirana je normalno (distribucija uzora-
ka) sa varijansom koja se može oceniti kao:

= (« £ + + '5?-’/ 2 ( n £ + n^), [6 ]

pa je, dakle, ona podobna za korišćenje u meta-analizi.

Detaljnija analiza svih pokazatclja vehčine efekta je pokazala da to nisu
nepristrasne mere i da njihova veličina i preciznost zavise od mnogih faktora.
Među tim faktorima su vehčina uzorka, vrsta nacrta analize varijanse (fiksni i
slučajni efekti), pouzdanost merenja itd. Zato su, manje-više za sve pokazatelje,
pa i za d, izvedene različite korekcije za pristrasnost. Kada je reč o g, često se
preporučuje da se koristi Hedges-Olkinova korekcija za male uzorke:
g, = g { l-3 /[(4 * fo i-)-9 ]} . [7]
pri čemu je bss=n^+ni^^2. Naime, zbog korišćenja standardne devijacije u imeni-
teiju (a koja je pristrasna procena standardne devijacije u populaciji, vidi poglav-
Ije 0 statistici) mora se uzeti u obzir deljenje sa (n-1).
„Porodica d ’ čini jednu od dve osnovne grupe pokazatelja veličine efekta.
lako je ona u osnovi namenjena nacrtima sa dve grupe, postoje prilagođene for-
mule pomoću kojih se može 7^-statistik sa više od jednog stepena slobode u
brojitelju konvertovati u d (v. kasnije). Pored toga, mogu se koristiti t ili F-testovi
po parovima grupa kako bi se utvrdio trend (ako postoji).

b. Ocenjivanje stepena linearne povezanosti pom oću r-koeficijenta

Drugu glavnu grupu pokazatelja veličine efekta čini „porodica r" (Rosnow
i Rosenthal, 2005, Rosenthal i DiMatteo, 2001). Nju čine Pearsonov r kada su
obe varijable kontinuirane, (p-koeficijent kada su obe varijable dihotomne, point
biserijalni koeficijent kadaje jedna varijabla dihotomna, a druga kontinuirana ili
Spearmanov p koeficijent kada su obe varijable ordinalne. Tu se može ubrojati i
Z, Fisherova transformacija r itd.
Postoje dva pristupa u korišćenju koeficijenata korelacije. U prvom pristiipu
se koeficijenti korelacije koriste u izvornom obliku, s time da se r transfonniše u
Fisherov Z (v. poglavlje o korelaciji i regresiji), kako bi se dobio pokazatelj koji
se nonnalno distribuira i čija je standardna greška poznata. U ovom pristupu,
veličina efekta dobijena iz višestruke regresione analize, sa više prediktora, (više-
struki R koeficijent) nije podobna za meta-analizu, nego se preporučuju parcijalni
regresioni koeficijenti (obični ili standardizovani) ili parcijalni koeficijenti korela-
cija. Treba imati na umu da regresioni koeficijenti i parcijalne korelacije ne
sadrže samo informaciju o odnosu nezavisne i zavisne varijable, nego i o uticaju
„trećih” varijabli na taj odnos.
Drugi pristup je pristup „proporcije objašnjene varijanse” i u njemu se
koeficijenti korelacije jednostavno kvadriraju. Repertoar koeficijenata koji se u
ovom pristupu koriste je nešto drugačiji i najviše se koriste r^, kvadrirani
koeficijent višestruke korelacije R \ kvadrirani korelacioni odnos rj^, njemu sličan
koeficijent o / i sl. Upućenijem čitaocu će biti od pomoći da zna da su vrednosti
r^, i ekvivalentne i da mogu da se dobiju tako što se podeli objašnjena suma
kvadrata (engl. regression, explained, model ili betvveen sum o f squares, kako se
sve, nepotrebno različito, naziva ta suma kvadrata u statističkim paketima) sa
ukupnom sumom kvadrata (engl. total). Kada se to zna, veličina efekta se može
izračunati kao korelacioni tip indeksa i onda kada je u istraživanju korišćena
analiza varijanse. Kada se r^, R^ ili i f pomnože sa 100 dobije se procenat.
Nažalost, kvadriranjem koeficijenta se gubi važan podatak za meta-analizu
- smer povezanosti, iskazan predznakom.
Već pomenuti eta-kvadrat {rj^) i omega-kvadrata {of) spadaju u standardni
repertoar pokazatelja koje statistički paketi računaju u okviru ANOVA. Pošto ta
dva kvadrirana koeficijenta izražavaju povezanost nezavisne i zavisne varijable-
iskazanu kao proporcija objašnjene varijanse - nezavisno od broja grupa i linear-
ne povezanosti varijabli, oni se često mogu naći u meta-analitičkim studijama.
Porodica r ima prednosti u odnosu na porodicu d. Kao prvo, nacrt iz kojeg
se računa lije potpuno pogodan za računanje point biserijalnog koeficijenta kore-
lacije, za koji, opet, znamo da je ekvivalentan običnom r. Koeficijent r je u
osnovi kontinualna mera, izračunata iz svih parova vrednosti, dok je d izračunat
samo iz dve M, pa r sadrži više informacija nego d. Dalje, veličine efekta r se
lako sabiraju (pretvaranjem u Z), lako se generalizuju za više od dve grupe, a r se
innogo lakše interpretira sa stanovišta praktičnog značaja nego d.

c. Ocenjivanje povezanosti dve dihotom ne varijable

Za tabele kontingencije 2x2 (sa 6m=1) predložena je veličina efekta L
(Schaffer, 1999). Ako je tabela kontingencije veća od 2x2, odnosno kada je bss >
1, izlaz se može potražiti u segmentaciji tabele ili sažimanju kategorija. Ako smo
ukrstili dve biname varijable, X i Y, dobih bismo sledeću tabelu:

X
a b
c d
 Poznati „odds ratio” (približan prevod je šansa za uspeh, a to je veličina
koja se nalazi u osnovi velikog broja koeficijenata koji pretenduju da prikažu
asocijaciju nominalnih varijabli) računa se kao:
o = (a X d) / ( b X c) = (a / b) / ( c / d), [8]
pri čemu su a, b, c i frekvencije u kućicama. Vrednost o će biti jednaka jedan
ako ne postoji nikakva veza izmedu pojava, a u suprotnom o može poprimiti bilo
koju pozitivnu vrednost. Vehčina efekta se onda izračunava prosto kao:
L = In(o), [9]
odnosno kao prirodni logaritam iz „odds ratia”. Ovaj logaritam (engl. log odds
ratio) se distribuira pribhžno normalno, sa varijansom
0 ^1^= \/a + \/b + 1/c + l/d, [10]
a pri tome treba napomenuti da se iz praktičnih razloga, da ne bi došlo do deljenja
sa nulom, svim frekvencijama dodaje 0,5 (/ je operator deljenja, razlomačka crta).
Međutim, x^-kvadrat statistik se lako konvertuje u r, čime se olakšava meta-
anahza tabeia kontingencije bilo koje veličine. Isto tako, na tabeh 2x2 se može
izračunati (p-koeficijent, koji je identičan r.

2. Kombinovanje testova značajnosti

Zbog pogrešnog običaja da se p-vrednost testa nulte hipoteze tretira kao

glavni cilj i nalaz istraživanja, mnogi istraživački izveštaji ne sadrže vehčine
efekta, niti podatke izkojih se oni mogu izračunati (npr. M ,a \n z 3 . svaku grupu).
U tom slučaju se ne može koristiti nijedan od opisanih pokazatelja veličine efekta.
Da bi se to prevazišlo, razvijeno je nekohko mogućih strategija. Jedna od njih je
Stoufferova, vrlo jednostavna. Ona se sastoji u tome da se na osnovu objavljenog
jednosmemog/7 izračunapripadajućiz. Ako izveštaj sadrži ezagktnujednosmemu
jo-vrednost, utoliko bolje. Ako sadrži dvosmemu, treba je konvertovati u jedno-
smemu kao p/2. Ako izveštaj ima samo rezime testiranja značajnosti, onda se za
/)<0,05 uzim az=l,645, zap<0,01 uzima sez=2,326, za/)<0,001 uzima sez=3,090
itd. Ukoliko istraživač nije rekao ništa osim da „nalaz nije značajan”, moraćemo
uzeti z=0. Nakon toga se izračuna ukupni z, pa se on konvertuje nazad u p.
Procedura se može napisati na sledeći način:

1. A-
2. z„ = S z , / r ' [11]
3- z „ - P „

gde j e pi verovatnoća jednostranog testa značajnosti /-tog istraživanja, z, je z-skor

koji odgovara verovatnoći/>,, ^ broj istraživanja, a z„ i z-skor i značajnost svih
istraživanja, kombinovano. Ako se radi o istraživanjima u kojima su testirane
razlike između gmpa, treba obratiti pažnju i na smer razlike. U nekim istraživanji-
ma A4 može biti manja od a u drugima veća. Za češći slučaj ćemo p-
vrednosti zadržati kakve jesu, dok ćemo za suprotan slučaj koristiti (l-/?) i u tom
slučaju ćemo verovatno dobiti negativan z. Naravno, kao što će biti rečeno u
poglavlju o korisnosti testiranja nulte hipoteze, p-vrednost je samo verovatnoća
greške I tipa, a on u presudnoj meri zavisi od veličine uzorka. Meta-analiza je
nastala sa idejom da se istraživačko zaključivanje rastereti veličine uzorka. Zato
metodu kombinovanjap-vrednosti treba koristiti samo kada nijedan drugi poka-
zatelj veličine efekta nije moguć.
Treba imati u vidu da se 2 jednostavno može konvertovati u r, te j e p-vred-
nosti moguće i na taj način kombinovati (v. kasnije).

3. Kombinovanje ostalih tipova veličine efekta

Pre nego što pristupimo kombinovanju (računanju prosečne vrednosti) veli-

čine efekta iz različitih istraživanja, treba raščistiti pitanje korigovanja pristrasno-
sti. U odeljku o porodici d ukazano je na značaj korekcije veličine efekta zbog
pristrasnosti i nepreciznosti, odnosno različite varijabiinosti. Neki autori misle da
se, zapravo, veličine efekta mogu klasifikovati u tabelu čiji redovi su defmisani
tipom, odnosno klasom efekta, kako je gore prikazano, a kolone načinom korek-
cije za pristrasnost. Ova druga dinienzija klasifikacije ima dve kategorije: a)
nekorigovane veHčine efekta i b) korigovane veličine efekta. Pristrasnost ima
različite izvore i zato postoje različite korekcije za pristrasnost. Da li će se
koristiti korigovani ili nekorigovani indeksi, zavisi od odluke istraživača i zasada
ne postoje striktne preporuke.
Način korigovanja Hedgesovog g prikazan je ranije. Ako se koristi
rešenje je jednostavno jer statistički programi standardno daju i korigovani više-
struki R (engl. adjusted), koji se može koristiti za tu svrhu. Formula za korekciju
R je informativna za sve /--koeficijente; oni su pristrasni prema broju varijabh,
prema veličini uzorka i prema veličini efekta.
Korekcija pristrasnosti je posebno važna zbog operacije kombinovanja
veličine efekata, odnosno računanja njihovog proseka. Naime, cilj meta-analize je
da kreira objedinjeni pokazatelj veličine efekta iz svih obuhvaćenih studija. Pošto
su pojedinačni pokazatelji pristrasni, najčešće zbog veličine uzorka i različite
varijabilnosti, moraju se pravilno ponderisati da bi njihov doprinos u ukupnoj
veličini efekta bio pravedan.
Kombinovanje veličina efekta može biti ponderisano ili neponderisano.
Opšta formula za kombinaciju veličina efekta može se napisati kao:

E =~ ------ , [12]

gde je E prosečna vehčina efekata ii„ a W; su ponderi. Ako je E će biti

obična aritmetička sredina. Ponderi se najčešće izračunavaju kao:
 odnosno kao recipročna kvadratna standardna greška veličine efekta E^. Recimo,
ako se istraživač opredeli da izračuna ponderisani prosek d-a, preporučuje se pon-
derisanje sa a / :
-I
[14]

Za izračunavanje prosečne veličine efekta iz r, preporučuje se sledeće pon-

derisanje:

2 ,(« ,-3 )

gde je Zj Fisherova transfonnacija r i-tog istraživanja, a n^ veličina uzorka u tom

istraživanju. Sadaje lako izračunati i standardnu grešku za Z k ao :

S G ,= [ l / E ( « , - 3 ) ] \ [16]
a na osnovu SG se mogu formirati intervali poverenja. Da bi se učinilo da Zbude
ekvivalentan z-skoru i da se njegovap-vrednost može oceniti iz normalne distri-
bucije, može se primeniti sledeća transformacija:
7 = Z /S G ^. [17]
Sledeće važno pitanje koje se tretira u savremenim radovima o meta-analizi
je pitanje izbora vrste meta-analize (Field, 2001). Pri tome se misli na izbor izme-
du niodcla fiksnih i modela slučajnih efekata (engl. fixed vs. random). Savim
pojcdnostavljcno, model fiksnih efekata podrazumeva da je efekt u populaciji
konstanta i daje nepoznat. Nalazi različitih istraživanjapredstavljaju samo slučaj-
ne varijacije oko tog jedinstvenog efekta - veličine efekta su homogene. Model
siučajnih efckata pretpostavlja da svako istraživanje potiče iz populacije koja
može imati različit efekt od drugih populacija. Populacije kojima pripadaju razh-
čita istraživanja su uzorak iz univerzuma mogućih efekata - veličine efekta su
heterogene. Kada se koristi r kao veličina efekta, homogenost veličina efekta svih
uključenih istraživanja može se oceniti g-statistikom koji ima hi-kvadrat ras-
podclu sa (k-1) stepeni slobode:

e = Z ( n ,- 3 ) ( Z ,- Z ) l [18]
Sve prethodne formule za računanje prosečnih veličina efekta se baziraju na
fiksnom modelu. Razlog za to je što se do danas koristio skoro isključivo taj
model, dok je primena modela slučajnih efekata tek počela. Kod modela slučajnih
efekata sc za konrbinaciju r-ova obično koristi Hunter-Schmidtova metoda.
 4. Konverzije veličine efekta

Postoji niz jednostavnih formula za konverziju jedne veličine efekta u

drugu. S ozbirom da smo rekli da porodica r indeksa ima izvesne prednosti u
odnosu na sve ostale indekse, posebno su korisne formule koje ostale indekse
pretvaraju u r.

Tabela 9. - Tabela za konverziju veličine efekta u r

Vehčina efekta Fonmila Napomene
u istraživanju
r = d ! [d^ + A{N-2)IN\''
Cohenov d ih jednostavnije
r = d![cf + A f
Može se koristiti kako za
t r = [r / (f^ + bss)] zavisne, tako i za nezavisne
uzorke. Obično, bss=N-2.
Za jednosmemu ANOVA,
r = [F6.w„, / (Fbss^ +
F je broj stepeni slobode
b s s ,) f
grupa, a b.';s^ greške.

/ /- = [ r / ( / + »)]"■
z r^z/n'-

Osim navedenih, postoje i druge mogućnosti konverzije (v. Lyons, 2004).

Praktični značaj ovih formula je u tome što bez obzira kakve su bile hipoteze u
istraživanjima i koje statističke metode su korišćcne, praktično sve veličine efekta
će moći biti svedene na korelaciju. Naravno, koriste se i formule koje konvertuju
veličine efekta u d.
d=2rl[{\-rf], [19]
d=2tlbss\
kao i ostale, koje se mogu izvesti iz tabele za konverziju u r.
S obzirom da je opšta zamisao meta-anahze da se ocenjuje veličina efckta,
bilo je potrebno ustanoviti neke ki'iterijume za tu ocenu. Za ocenu veličine efekta
koja je bazirana na r ih r istraživač se može osloniti na standardne intepretacije
koeficijenata kcrelacije ili proccnata. Ipak, to nije dovoljno, a uopšte se ne može
primeniti na d. Zato je jedan od osnivača oblasti meta-anahze (Cohen) klasifiko-
vao vehčine efekta u tri kategorije: nizak, srednji, visok. On je tu podehi napravio
na osnovu iskustva, zdravog razuma i postojeće istraživačke prakse. Srcdnji
efekat je koncipirao kao efekt koji je tipičan u istraživanju ponašanja. Srednji
efekat pažljiv posmatrač može videti gohm okom: npr. kao prosečna razlika u IQ
izmedu kvahfikovanih i nekvahfikovanih radnika. Nizak efekt je onda morao biti
 niži od srednjeg, ali da ipak ne bude trivijalan, a visok efekt je onda određen tako
da bude jednako udaljen od srednjeg kao i nizak. Dobijene su vrednosti kao u
tabeli. lako ni sam Cohen nije pretendovao da je to definitivna i univerzalna ska-
la, onaje danas u širokoj upotrebi.”

Tabela 10. - Cohenova klasifikacija veličine efekta

Klasifikacija d r (u %)
nizak, niži od tipičnog 0,2 0,1 1,0%
srednji, tipičan 0,5 0,24 5,9%
visok, viši od tipičnog 0,8 0,37 13,8%
mnogo viši od tipičnog ^1,0 ž0,45 ž20,3%
Dnigu mogućnost su ponudili Rosenthal i Rubin kao binomni prikaz
veličine efekta (binomial effect size d isp la y - BESD, Rosnovv i Rosenthal, 2005).
Pokazalo se da je r standardizovana razlika u ishodima dve grupe (E ili K, muških
ili ženskih itd.), koja se može prikazati u tabeli 2x2 koja je konstruisana tako da
su zbirovi redova i kolona jednaki 100. Takva BESD tabela se može jednostavno
dobiti ako pozitivan rezultat u eksperimentalnoj grupi računamo kao ({),50 +
/•/2)100, a pozitivan rezultat u kontrolnoj grupi kao (0,50 - r/2)100. Recimo, ako
smo dobili korelaciju od 0,20 izmedu pola i prolaznosti na ispitu, BESD bi
izgledao ovako:

položio pao
muški 60 40 100
ženski 40 60 100
100 100 200

Ako se izračuna „odds ratio”, kao što je prikazano na prethodnim stranama,

dobićemo 2,25, što znači da je rizik muškarca da padne 2,25 puta manji od rizika
žene (rizik definišemo kao pao/prošao). Ako se uporedi sa interpretacijom „objaš-
njene varijanse” koja je 4% i spada u niske po Cohenovoj podeli, ovaj nalaz
izgleda radikalno ubedljiviji. Bez obzira što povezanost pola i prolaznosti i dalje
spada u niske, muškarci će imati značajnu praktičnu utehu ako konsultuju BESD.
Koristeći a j ili SG^ lako se može izračunati interval poverenja za prosečnu
veličinu efekta, a Z je sasvim lako podvrći TZNH.
Danas se na Intemetu mogu naći programi koji računaju različite vrste
prosečnih vrednosti veličine efekta i prateće pokazatelje. Ne baš najnoviji, ali
verovatno jedan od najčešće korišćenih progrania za meta-analizu je Schwarzerov
META53 0ittp://useipage.fu-berlin.de/~health/meta53.exe).

Na primer, uticaj pola na visinu plate je nizak ako je dobijeni 0,2 < d < 0,5, srednji
akojc 0,5 ž cl< 0,8, a visok ako je d ž 0,8.
 5. Koraci kvantitativne meta-analize

Meta-analitičko istraživanje prolazi kroz slične faze kao i svako drugo

empirijsko istraživanje. Streiner (2003) navodi 12 koraka, a slične preporuke se
mogu pronaći i kod Ivesa (2003), Schafera (1999), Schwarzera (1989) i drugih.
• Defmisanje problema istraživanja.
• Detaljna razrada selekcionih kriterijuma prema kojima će se vršiti izbor
radova.
• Pretraživanje literature i biranje radova. Bibliografske baze kao što su
PsychINFO, MEDLfNE, EBSCO i dr. čine ovaj posao neuporedivo lakšim
u odnosu na pregledanje papimih biblioteka. Medutim, zbog pojave selek-
tivnog objavljivanja, odnosno „problema fioke” (v. kasnije), bibliografske
baze, bilo on-line, bilo papirne, ne moraju biti „zdrav” izvor istraživanja.
Najčešće se kao rešenje preporučiije da se obuhvati i „siva literatura”, kao
što su teze i disertacije, saopštenja na skupovima, radovi na Intemetu i dr.
Konačno, treba analizirati odabrane radove i proveriti da li je i koliko
bilo „efekta fioke”. Postoje tehnike (dijagranii), pa čak i pokazatelji pomo-
ću kojih se može oceniti da li je postojala selektivnost.
• Ocenjivanje radova. Važan preduslov za uključivanje istraživanja u analizu
je i procena njegovog kvaliteta. Procenjuje se ekstema i interna validnosti,
pouzdanost i valjanost merenja i dragi aspekti.
• Izdvajanje rezultata i naiaza iz radova, računanje ili procenjivanje veličina
efekta. Zadatak je da se svi nalazi ujednače i da se utvrde varijable i uzorci.
Svi različiti pokazatelji veličine efekta se moraju preračunati u jedan isti, a
tamo gdje nije naveden nijcdan mora se proceniti (ili izjednačiti sa nulom).
• Kombinovanje istraživanja putem izračunavanja prosečne veličine efekta. U
ovoj fazi se treba odlučiti za vrstu meta-analize, odnosno za modcl fiksnih
ili slučajnih efekata. U tome može pomoći i izračunavanje Q-statistika ili
nekog daigog, koji je namenjen utvrdivanju homogenosti efekata. Analiza
homogenosti, odnosno varijabilnosti veličina efekata može pružiti korisne
podatke sama za sebe. Između ostalog, može ukazati na postojanje i uticaj
moderatorskih varijabli na veličinu efekta (npr. starosti ili pola). No, čak i
ako test homogenosti nije značajan, još uvek mogu postojati uticaji nekih
moderatorskih varijabli koji dovode do razlika u veličini efekta i koje treba
otkriti.
Uzmimo, na primer, da nas zanimaju dosadašnja saznanja o povezanosti
pola i inteligencije^^ Odabraćemo dostupne radove koji sadrže podatke o polu i

Ova tema, unatoč vclikim polemikama nije baš sistematski istraživana. Međutim,
polne razlike su uvek prisutnc u istraživanjima, jcr jc pol jedna od standardnih nczavisnih
varijabh, ali se, nažalost, često dcšava da ih istraživači ne prikazuju ckspUcitno. Postoji
stabilna cvidencija da u obiasti vrlo visokih IQ mcra muškarci značajno preovlađuju.
inteligenciji, ili uzorak tih radova, i koji zadovoljavaju kriterijume koje smo
upravo opisali. Pre svega, koristićemo radove koji sadrže veličinu efekta pola na
inteligenciju, ili barem osnovne podatke iz veličina efekta računa: npr.
^M’ "m "ž. ''mž itd. Za sva istraživanja ćemo povaditi podatke o veličinu efekta
r (ili d) i kombinovati ih u prosečan r ili d. Na osnovu prosečne veličine efekta
imaćemo uvid u dosadašnje znanje o povezanosti pola i inteligencije. Uvid u
pokazateljc vcHčine efekta pojedinačnih istraživanja kazaće nam koliko su se
istraživanja razhkovala - na taj način možemo porediti sva istraživ an ja s obzi-
rom na osnovni nalaz o polnim razhkama. To nam omogućavaju indeksi r ih d
koji su opšta mera vehčine efekta nezavisne varijable na zavisnu.
Recimo da smo prikupih par desetaka istraživanja i da sino za svako izraču-
nah vehčinu efekta u obhku korelacije pola i intehgencije (r). Zamishmo, zatim,
da smo iz istraživanja prikupih još i podatak o tome da h je uzorak bio dečji ih
odrash i da to, kao binarnu varijablu, kodiramo kao 1 i 2. Pored toga, iz istraži-
vanja možemo uzeti još i podatak o kojoj se vrsti intehgencije radilo; recimo
l=opšta (g-faktor), 2=verbalna, 3=numerička.
Računajući prosečnu veličinu efekta u svakoj gnipi po polu i vrsti inteligen-
cije izvršili bismo meta-anahzu istražujući da li postoje polne razlike, da li posto-
je i kod dece i kod odraslih i da li one zavise od vrste intehgencije. Na taj način
bismo: a) iskoristih saznajnu i statističku moć više istraživanja i b) sproveli
sasvim novu analizu po novim nezavisnim varijablama, koja, kao takva, možda
uopšte nije vršena u originalnim istraživanjima.
Naravno, svakom istraživaču se mora snažno sugerisati da uvek u istraži-
vačkom izveštaju budu uključeni oni statistički podaci iz kojih se može izračunati
veličina efekta. N a primer, ako je primenjena ANOVA ih regresija, treba da bude
priložena tzv. ANOVA tabela sa sumama kvadrata, srednjim kvadratima, bss i F,
a za regresiju još \ R, i korigovani R. U eksplorativnim studijama moraju biti
navedeni osnovni statistici i veličina uzorka ili poduzoraka. U svakom slučaju,
nije dovoljno navoditi samo F ili t (bez bss), a sasvim je pogrešno navoditi samo
/)-vrednost-značajnost. Svakako, najbolje j e ako sam istraživač izračuna veličine
efekta i navede način kako ih j e izračunao. Tako će omogućiti da njegovi nalazi
budu lakše uporedivi i da neko kasnije koristi te nalaze za meta-analizu.

Psiholog Hans Eysenck to ilustruje tako što bi među 10.000 slučajno odabranih Ijudi, IQ
veći od 160 imalo 5 žena i 55 muškaraca. U „prosečnoj” populaciji primetne razlike su u
vrstama inteligencije - npr. žene su bolje u verbalnoj, a muškarci bolji u spacijalnoj
(snalaženje u prostom). Postoji jedna stara pretpostavka, jo š od Eđwarda Thomdikea, da
znatno veći broj visokih IQ-ova kod muškaraca potiče od veće muške varijabilnosti. Neki
podaei govore tome u prilog, a neki ne.
 6. Efekat fioke

Praksa je pokazala da istraživački izveštaji u kojima nisu potvrđene

hipoteze stoje u fiokama istraživača ili urednika, uzalud čekajući objavljivanje jer
se sasvim neopravdano smatra da negativni nalazi nisu saznajno vredni. Ova
pojava se naziva efektom fioke ili problemom fioke i analogna je problemu
selektivnog odlaganja (v.) koji se sreće u analizi sekundamih podataka. Zato se
istraživač u meta-analizi ili analizi sekundamih podataka ne sme oslanjati samo
na istraživanja koja se nalaze u objavljenim radovima. Preporučuje se, recimo, da
istraživanja koja se nalaze u „sivoj zoni” - diplomski, magistarski i doktorski
radovi, saopštenja na skupovima i drugi slični izvori - takođe uđu u populaciju
istraživanja jer će to pomoći da se umanji „problem fioke” i selektivni depozit.
Postoje i formule kojima se može izračunati koliko je neznačajnih studija (izvu-
čenih iz fioke) potrebno da bi kombinovana veličina efekta postala neznačajna.
M eta-analiza efikasnosti tcrapije. - Već je rečeno da je meta-analiza
danas standardno sredstvo za utvrđivanje uspešnosti svih vrsta terapije, pa i
psihoterapije. Po većini metaanalitičkih istraživanja, psihoterapijaje uspešna, čak
uspešnija od nekih drugih terapija u medicini. Međutim, dva osnovna prigovora
se upućuju metaanalitičkom ocenjivanju uspešnosti. Prvi prigovor se odnosi
upravo na efekat fioke jer se neuspešni ishodi terapije ne objavljuju. Drugi prigo-
vor se odnosi na terapijsko savezništvo (engl. therapeutie alliance). Savezništvo
pacijenta i terapeuta podrazumeva, između ostalog, i to da obojici odgovara da
veruju da je terapija uspela, pa su njihove ocene uspešnosti obično u skladu sa tim
savezništvom.

7. Kvaiitativna meta-anaiiza

Pod ovaj naslov ćemo svrstati sve mogućnosti za meta-analizu koje nisu eg-
zaktno formulisane kao analiza veličine efekata kako je objašnjeno u prethodnim
odeljcima. Tu spada vrlo širok raspon mogućnosti; od kvalitativne analize
literature koja je relevantna za istraživanje, preko analize arhivske grade, do
meta-statističke analize istraživanja javnog mnjenja. K valitativnam eta-analizaje
klasičan postupak, nije zasnovana na nekoj celovitoj epistemološkoj teoriji, niti
ima takve ambicije. Zapravo, vrio često se svrstava p o d kvaiitativne metode za
prikupijanje podataka.
Kada se radi o meta-analizi literature, ona se koristi da bi istraživač mogao
bolje i lakše da locira vlastito istraživanje. Prethodna istraživanja se mogu klasifi-
kovati i urediti prema različitim kategorijama; vrstama hipoteza, da li su prihvaće-
ne ili odbačene, vrstama varijabli (zavisnih, nezavisnih, kontrolnih), vrstama uzo-
raka i populacija, vrstama metodologije itd. Proces defmisanja ovih kategorija i
razvrstavanje istraživanja se može tretirati kao vrsta analize sadržaja.
Kao rezultat meta-analize literature može se formirati jedna ili više tabela u
kojima je na pregledan i sistematski način prikazano šta je radeno u predmetnoj
oblasti i sa kakvim rezultatima. Sasvim je razumljivo da se za te svrhe može kori-
stiti i kvantitativna meta-analiza, kako smo je ovde defmisali, da bi se postavile
precizne noiTne ili referentne tačke potrebne za evaluaciju vlastitog istraživanja.
Osim kvalitativnih kategorija, mogu se prikupiti i svi ostali reievantni
kvantitativni podaci iz primamih istraživanja; veličina uzorka, broj varijabli, broj
izvedenih varijabli (izračunatih ili transformisanih), broj kontingencionih tabela,
broj objavljenih radova i drugi scijentometrijski pokazatelji. U kombinaciji sa
nominalno ili ordinalno kodiranim kvalitativnim varijablama (npr. korišćene
metode, korektnost metoda, da li su hipoteze potvrdene itd.), može se dobiti vrlo
dobra matrica podataka koja se može analizirati svim raspoloživim tehnikama; od
deskriptivne statistike, do multivarijatne analize kao što su klaster i faktorska
analiza (za klasifikaciju istraživanja i za klasifikaciju varijabh).
Kvalitativna meta-analiza može biti veoma korisna kao nad-analiza više
studija slučaja, koje se pojedinačno ne mogu generalizovati, ali će moći nakon
meta-analize.
 IV. M E T O D E I T E H N IK E M ER E N JA

U emipirijskim istraživanjima ii društvenima naukama koriste se mnogo-

brojne i veoma različite metodc i tehnike merenja. U ovom tekstu zastupamo
stanovište da je merenje najbolji način prikupljanja podataka. Međutim, stano-
vište kvalitativno orijentisanih istraživača je drugačije. Zato ćemo paralelno
koristiti termin metode i tehnike p rik u p lja n ja podataka. U uvodnom poglavlju
0 tome šta je socijalno istraživanje rečeno je da se discipline nauka u ponašanju
razlikuju po svojima paradigmama, po strukturi, ciljevima, metodama, teorijama
1 običajima, pa otuda nije čudno ako se razlikuju i po metodama merenja. Treba
se samo setiti širokog raspona oblasti nauka o ponašanju; od npr. imunopsiho-
logije i genetičke psihologije, preko računarske hngvistike do etnologije.
Kroz većinu poglavlja ove knjige proteže se nastojanje da bude pred-
stavljena opšta taksonomija onoga što danas čini metodologiju istraživanja pona-
šanja, sa ciljem da se kroz tu taksonomiju istovremeno objasne osnovni principi,
pristupi i rešenja. Klasifikacija znanja, kroz principe klasifikacije koji se u njoj
odražavaju, kao i obuhvaćene klase, jeste edukativna kohko i informativna. Zato
ćemo i u ovoj glavi dati neke opšte podele metoda i tehnika prikupljanja podata-
ka. No, pre nego što počnemo sa gradivom o praktičnom merenju u istraživanjima
ponašanja, treba reći nekoliko stvari koje čine opšti okvir, ograničenja i pred-
uslove tog gradiva.
Kao prvo, na početku glave o teoriji merenja rečeno je da teoretičari
merenja kad kažu merenje misle prvenstveno na konstrukciju mernih skala i
defmisanje fonnahiih pravila dodeljivanja brojeva objektima. No, kad skale i
formalna pravila budu gotovi, dolazi vreme vršenja merenja. Onda na pozomicu
izlazi ono što smo ovde nazvali praktičnom teorijom merenja. Kad u ovom
poglavlju spominjemo metode i tehnike merenja, ne mislimo na teoriju skupova i
 teoriju brojeva, nego na tehnike tokom kojih se vrši neposredna i praktična
delatnost sa ciljem prikupljanja podataka o ponašanju.
Drugo, metode i tehnike merenja su intirrmo povezane sa svim ostalim
elementima empirijskog istraživanja ponašanja. Te veze su toliko snažne i
direktne, da je u velikom broju slučajeva teško razlikovati nacrt istraživanja od
tehnike prikupljanja podataka. Arheologija je, na primer, toliko povezana sa
iskopavanjima, istraživanje javnog mnjenja sa anketama, a psihologija sa tcstira-
njem, da se prosečnom čitaocu čine teško odvojivim. Posledica koju ta intenzivna
povezanost ima na ovu knjigu se ogleda u tome što se o metodama i tehnikama
prikupljanja podataka razgovara na različitim mestima, kao što su poglavlja o
statistici, primeni računara u istraživanjima, vrstama istraživanja itd.

A. Kvantitativne i kvalitativne metode

Drugu polovinu XX veka obeležilo je jedno „opšte mesto” rnetodologije

društvenih nauka - razlikovanje kvantitativnih i kvalitativnih metoda. U paukovoj
mreži koja je ispletena oko tog pitanja nije se lako snaći i ponekad se čini da ova
dva izraza definišu dva vrlo udaljena sveta. S druge strane, kada se krene od
konkretnih istraživanja, odnosno objavljenih istraživačkih izveštaja, vidi se da ti
„svetovi” ne samo da nisu mnogo udaljeni, nego se često treba pomučiti da bi se
jasno uočile razlike.
Uvodna rasprava o odlikama i razlikama kvantitativnih i kvalitativnih
istraživanja sadržana je u zasebnom poglavlju. Tamo je ukazano da, po prirodi
saznavanja samog, nije lako sprovesti društveno istraživanje koje je isključivo
kvantitativno ili kvalitativno (a da ono zadovoljava epistemološke kriterijume).
Danas se sugeriše da tip istraživanja bude prilagođen problemu, a ne dogmi.

1. Razlika u nivou merenja

Razlika izmedu kvantitativnih i kvalitativnih metoda može se koncipirati

kao razlika između nivoa merenja koje one dostižu. Kvantitativne metode teže da
dostignu minimalno ordinalni, a po mogučstvu intervalni nivo merenja, dok
kvalitativne nemaju jasno opredeljenje u tom sniislu, ne teže uopšte da mere
pojave, ili ne teže da dostignu ijedan viši nivo od nominalnog. Iz teorije merenja
je onda jasno zašto su kvantitativne metode mnogo bliže brojevima nego
kvalitativne metode. Uostalom, najjednostavniji rezime razlike kvantitativnih i
kvalitativnih metoda je u tome da kvantitativne produkuju brojeve, a kvalitativne
kategorije ili značenja.
 Razlikovanje kvantitativnih i kvalitativnih metoda na osnovu nivoa merenja
utemeljeno je na teoriji merenja i moglo bi biti veoma korisno. Nažalost, podela
po nivou merenja ne objašnjava sve razlike između kvantitativnih i kvalitativnih
metoda i u nekim slučajevima može dovesti do pogrešnih razvrstavanja. Osim to-
ga, postoje mišljenja da razhka izmedu kvantitativnih i kvalitativnih studija nije
pre svega u nivou podataka, nego u izboru kvantitativne ili kvalitativne paradig-
me (npr. Dohan i Sanchez-Jankowski, 1998). Po tim gledištima anahza može biti
kvalitativna ili kvantitativna a može se sprovoditi i na kvalitativnim i na kvan-
titativnim podacima. Standardan primer kada se vrši kvaUtativna analiza kvantita-
tivnih podataka je zapravo iumačenje nalaza, integracija nalaza i integracija
znanja.

2. Pitanje klaslfikacije

Podsećamo da su, prema Stevensovoj tradiciji, identifikacija i klasifikacija

osnovne merne procedure. Po Stevensu, nivo merenja koji se postiže klasifikaci-
jom je nominahii, što znači da dodeljeni numeraU, makar bili i brojčani, nemaju
status brojeva (koji se, recimo, mogu sabirati), nego prostih oznaka. Iz toga bi
neko mogao zaključiti da kvantitativna studija koja sadrži samo nominalne vari-
jable (am noge studije su takve, recimo ankete) zapravo nije kvantitativnajer bro-
jevi kojima operiše služe samo kao oznake - npr. poUtičkih stranaka.
Medutim, pogledajmo jedan primer. Recimo da smo putem anketnog istraži-
vanja na reprezentativnom uzorku ispitivah stavove gradana o tome da li Vlada
dobro obavlja poslove u raznim oblastima. U tom cilju postavljeno je jedno pita-
nje sa 6 kategorija i rezuhati istraživanja su bih sledeći;
1. Oživljavanje I jačanje privrede 6,26%
2. Integracija zemlje u Evropu 46,01%
3. Obnova i razvoj demokratije 30,33%
4. Rešavanje pitanja unutrašnjih granica 22,56%
5. Razvoj saradnje sa SAD 33,01%
6. Borba protiv korupcije 10,06%

Prvo što će čitalac uočiti je da se radi o nominalnoj varijabh, čiji raspon

vrednosti je od 1 do 6. Anketna istraživanja su istraživanja na uzorku, po moguć-
stvu reprezentativnom. Procenti odgovora na goraje pitanje su, dakle, tačna
kvantifikacija pojave u populaciji u okviru margine greške. Ako je uzorak neki od
probabihstičkih, može se izračunati kohka je margina greške, dakle, može se
doneti ocena parametra u populaciji (videti poglavlje o statistici) i može se
primeniti eventualno ponderisanje da bi se iz ovih uzoračkih podataka dobio broj
Ijudi u populaciji. To su sve kvantitativne operacije i kvantitativni iskazi, bez
obzira što je varijabla nominalna.
Pogledajmo sada jedan drugi primer. Tokomjednog kvalitativnog istraživa-
nja ispitivane su kod mladih muškaraca predstave o vlastitom telu i o telesnom
iflealu. Obavljen je niz fokus grupa i transkripti su kodirani. Jedan kratak isečak
 iz tih kodiranih transkripta je: ,^ a d god počnem da se mrzim zbog svoje težine
(TEŽINA), ja spremim sebi neku brzu hranu (BRZHRA) ili skoknem u
prodavnicu po čips ili pogačice. Umirim se uživajući u toj hrani (UMU), ah se
kasnije kajem (KKAJE).”
U ovom primeru su klasifikovani neki dclovi teksta u kategorije. Recimo
„zabrinutost zbog prekomeme težine” u kategoriju TEŽINA, „brza hrana koja se
lako sprema” u kategoriju BRZHRA itd. Od ovih kategorija se može formirati
jedna ih više nominalnih varijabh, medutim, u ovom istraživanju se to nije radilo.
Cilj nije bila kvantifikacija, nego su se nastojale izdvojiti tipične teme vezane za
autopercepciju vlastitog tela i telesne ideale. Možemo zaključiti da klasifikacija u
kvalitativnim metodama ima čisto kvalitativnu namenu, za razliku od kvanti-
tavnih metoda.

3. KvaHtativna alternativa l<vantitativnim metodama

Sta se dobija sa kvalitativnim metodama, što se ne može dobiti kvantitativ-

nim? Ako se istraživač, na prvom mestu mislimo na psihologa, odluči da koristi
kvalitativne metode, šta može da očekuje? Analiziraćemo jedan izmišljeni primer
da bismo ilustrovali mogući doprinos „kvalitativne altemative”.
Recimo da smo opet ispitivali stavove građana o tome da li Vlada dobro
obavlja poslove iz nekih oblasti - ali ovaj put putem fokus grupa (v. odgovarajuće
poglavlje). Naglasak je bio na slobodnom toku diskusije, interakciji izmedu uče-
snika i otkrivanju razloga za njihova mišljenja. Nalaz iz fokus gmpa je prezen-
tiran u sledećem izveštaju;
„Ljudi u većini smatraju da se Vlada ne bori dovoljno protiv korupcije i kriminala.
Njima je važnije ono što se dešava u njihovim konkretnim životima i smatraju da Vlada mora
više računa da vodi o neposrednim problemima običnih Ijudi. Pitanja kao što su spoljna
politika i razvoj demokratije Ijudi u većini ne vide kao važne probleme u njihovom životu, ali
uglavnom pozitivno ocenjuju rad Vlade u tim oblastima. S druge strane, iz izjava učesnika
se često mogao steći utisak da oni vrlo loše reaguju na trenutni loš ugled države u svetu,
smatrajući ga nepravdom i da bi, verovatno, voleli kada bi se to izmenilo. Osim toga, uče-
snici smatraju da nisu dovoljno upoznati sa radom Vlade i da bi možda drugačije mislili
ukoliko bi znali više,"

Obratimo pažnju na detalje tog izveštaja. Jedine kvantitativne odrednice su

,,u većini”, „uglavnom” i „često”. Iz toga se može steći utisak da Ijudi ne misle
dobro o doprinosu Vlade u borbi protiv kompcije, ali je to daleko od stvamog
iznosa koji bi govorio kohko je to nezadovoljstvo. Nema nijednog iskaza iz koga
bi se mogao zaključiti stav Ijudi o radu Vlade u oblasti privrede, osim ako to nije
onaj 0 „neposrednim problemima običnih Ijudi”. No, i to je veoma neprecizno. Iz
ostalih fomiulacija se relativno izvesno može zaključiti da Ijudi nisu nezadovoljni
radom Vlade u oblasti spoljne politike i razvoja demokratije. Tu opet nema
nikakvog kvantitativnog odredenja, niti specifikacije o odnosima sa SAD poseb-
no, ali ima infonnacija o tome da te dve oblasti nisu važne Ijudima.
 Dakle, u „kvalitativnom” izveštaju imamo informaciju o tome šta je Ijudima
važno (korupcija i, možda, privreda), a šta nije (spoljna politika i demokratija). Ta
informacija nije dostupna iz navedenog upitničkog pitanja. Takode, u izveštaju iz
fokus grupa postoje iskazi tipa „više-m anje”, ali su oni neprecizni i objektivnom
čitaocu ostaje nejasno da li se misli na apsolutnu ili relativnu večinu.
Međutim, pretposlednja rečenica u izveštaju sadrži nešto što se u izveštaju
iz anketnog istraživanja ne može ni naslutiti. To je zapažanje da Ijudi, iako
potcenjuju značaj spoljne politike na njihove živote, pridaju značaj jednom od
zadataka spoljne politike - ugledu zemlje. Konačno, iznesena je i tvrdnja da
učesnici smatraju da nisu dovoljno upoznati o radu Vlade, te kao da izražavaju
izvesne rezerve u pogledu svojih stavova jer nisu dovoljno bazirani na činjenica-
ma. Ni ovaj podatak nije dostupan iz upitničkog pitanja.
Gledano u celini,„kvalitativni” nalazi iz fokus grupa sugerišu jednu inter-
prctaciju, odnosno tumačenje stavova učesnika fokus grupa. Iz ovog primera se to
ne može zaključiti, ali od kvalitativnih metoda se, pre svega, očekuje da ukažu na
značenja koja neki pojmovi, ponašanja ili stavovi imaju za ispitanike. Kao primer
da isto mišljenje ili ponašanje može imati različite uzroke može da posluži pitanje
„Da li vam se Ijudi često poveravaju?”. Kako kaže jedna pošalica poznatog
epistemologa, potvrdan odgovor će dati i popovi i prostitutke. Postoje očekivanja
da će na razliku u motivima poveravanja pre ukazati kvalitativne studije nego
kvantitativne.
Međutim, izveštaj ne poseduje dovoljan stepen preciznosti, jer izrazi kao što
su „u većini” i „uglavnom” dozvoljavaju vrlo različita tumačenja. Nezadovoljstvo
borbom protiv korupcije je prisutno u svim društvima, čak se može lako pret-
postaviti da je u mnogim zemljama „većina” Ijudi nezadovoljna time. Zbog toga
je taj iskaz u gomjem izveštaju trivijalan. Istraživački relevantan i zanimljiv
zadatak bi bio da se odredi položaj naše Vlade u odnosu na druge zemlje u
pogledu nezadovoljstva borbom protiv korupcije. Isto tako, zanimljivo bi bilo
kada bi se sadašnji nalazi uporedili sa ranijim nalazima, prethodnih Vlada.
Druga posledica nepreciznosti (odnosno nedostatka kvantifikacije) je u
tome što se iskazi izneti u izveštaju ne mogu dokazati. Je li „uglavnom” 51%,
70% ili 90%? Čak ni strukturalni iskazi, o tome da je Ijudima važno samo ono što
se tiče njih, pa na to obraćaju pažnju, nisu prezentirani u proverljivom obliku jer
se ne zna da li je ta pojava prisutna kod većine Ijudi, i ako jeste, kod kolike
većine. U tom smislu treba primetiti da u anketnom istraživanju ni po jednom
pitanju Vlada nije dobila većinsku (natpolovičnu) podršku.
Probleni preciznosti se u kontekstu merenja obično vezuje za pojam
pouzdanosti. U ovom slučaju je nedostatak preciznosti nužna posledica odsustva
kvantifikacije. Uzorak fokus grupa je suviše mali da bi bio reprezentativan za
ukupnu populaciju odi'aslih Ijudi, pa se lako može očekivati da će nalazi varirati
od grupe do gnipe. Drugim rečima, pouzdanost tipa „testa i retesta”, koja je
primerena i poželjna za ovaj tip podataka, u startu je kompromitovana. Medutim,
pouzdanost tipa „saglasnosti izmedu procenjivača” nije kompromitovana i trebala
 iz tih kodiranih transkripta je: ,^ a d god počnem da se mrzim zbog svoje težine
(TEZINA), ja spremim sebi neku brzu hranu (BRZHRA) ili skoknem u
prodavnicu po čips ili pogačice. Umirim se uživajući u toj hrani (UMU), ah se
kasnije kajem (KKAJE).”
U ovom primeru su klasifikovani neki delovi teksta u kategorije. Recimo
„zabrinutost zbog prekomeme težine” u kategoriju TEŽINA, „brza hrana koja se
lako sprema” u kategoriju BRZHRA itd. Od ovih kategorija se može formirati
jedna ili više nominalnih varijabli, međutim, u ovom istraživanju se to nije radilo.
Cilj nije bila kvantifikacija, nego su se nastojale izdvojiti tipične teme vezane za
autopercepciju vlastitog tela i telesne ideale. Možemo zaključiti da klasifikacija u
kvalitativnim metodama ima čisto kvalitativnu namenu, za razliku od kvanti-
tavnih metoda.

3. KvaHtativna alternativa !<vantitativnim metodama

Šta se dobija sa kvahtativnim metodama, što se ne može dobiti kvantitativ-

nim? Ako se istraživač, na prvom mestu mishmo na psihologa, odluči da koristi
kvalitativne metode, šta može da očekuje? Analiziraćemo jedan izmišljeni primer
da bismo ilustrovali mogući doprinos „kvaUtativne altemative”.
Recimo da smo opet ispitivali stavove građana o tome da li Vlada dobro
obavlja poslove iz nekih oblasti - ali ovaj put putem fokus grupa (v. odgovarajuće
poglavlje). Naglasak je bio na slobodnom toku diskusije, interakciji između uče-
snika i otkrivanju razloga za njihova mišljenja. Nalaz iz fokus grupa je prezen-
tiran u sledećem izveštaju:
„Ljudi u većini smatraju da se Vlada ne bcri dovoljno protiv korupcije i kriminala.
Njima je važnije ono što se dešava u njihovim konkretnim životima i smatraju da Vlada mora
više računa da vodi o neposrednim problemima običnih Ijudi. Pitanja kao što su spoljna
politika i razvoj demokratije Ijudi u većini ne vide kao važne probleme u njihovom životu, ali
uglavnom pozitivno ocenjuju rad Vlade u tim oblastlma. S druge strane, iz izjava učesnika
se često mogao steći utisak da oni vrlo loše reaguju na trenutni loš ugled države u svetu,
smatrajući ga nepravdom i da bi, verovatno, voleli kada bi se to izmenilo. Osim toga, uče-
snicl smatraju da nisu dovoljno upoznati sa radom Vlade i da bi možda dnjgačije mislili
ukoliko bi znali više."

Obratimo pažnju na detalje tog izveštaja. Jedine kvantitativne odrednice su

,,u većini”, „uglavnom” i „često”. Iz toga se može steći utisak da Ijudi ne misle
dobro o doprinosu Vlade u borbi protiv korupcije, ali je to daleko od stvamog
iznosa koji bi govorio koliko je to nezadovoljstvo. Nema nijednog iskaza iz koga
bi se mogao zaključiti stav Ijudi o radu Vlade u oblasti privrede, osim ako to nije
onaj 0 „neposrednim problemima običnih Ijudi”. No, i to je veoma neprecizno. Iz
ostalih fomiulacija se relativno izvesno može zaključiti da Ijudi nisu nezadovoljni
radom Vlade u oblasti spoljne politike i razvoja demokratije. Tu opet nema
nikakvog kvantitativnog određenja, niti specifikacije o odnosima sa SAD poseb-
no, ali ima infomiacija o tome da te dve oblasti nisu važne Ijudima.
 Dakle, u „kvalitativnom” izveštaju imamo informaciju o tome šta je Ijudima
važno (korupcija i, možda, privreda), a šta nije (spoljna politika i demokratija), Ta
informacija nije dostupna iz navedenog upitničkog pitanja. Takođe, u izveštaju iz
fokiis grupa postoje iskazi tipa „više-m anje”, ali su oni neprecizni i objektivnom
čitaocu ostaje nejasno da li se misli na apsolutnu ili relativnu većinu.
Medutim, pretposlednja rečenica u izveštaju sadrži nešto što se u izveštaju
iz anketnog istraživanja ne može ni naslutiti. To je zapažanje da Ijudi, iako
potcenjuju značaj spoljne politike na njihove živote, pridaju značaj jednom od
zadataka spoljne politike - ugledu zemlje. Konačno, iznesena je i tvrdnja da
učesnici smatraju da nisu dovoljno upoznati o radu Vlade, te kao da izražavaju
izvesne rezerve u pogledu svojih stavova jer nisu dovoljno bazirani na činjenica-
ma. Ni ovaj podatak nije dostupan iz upitničkog pitanja.
Gledano u celini,„kvalitativni” nalazi iz fokus grupa sugerišu jednu inter-
pretaciju, odnosno iumačenje stavova učesnika fokus grupa. Iz ovog primera se to
ne može zaključiti, ali od kvalitativnih metoda se, pre svega, očekuje da ukažu na
značenja koja neki pojmovi, ponašanja ili stavovi imaju za ispitanike. Kao primer
da isto mišljenje ili ponašanje može imati različite uzroke može da posluži pitanje
,,Da li vam se Ijudi često poveravaju?”. Kako kaže jedna pošalica poznatog
epistemologa, potvrdan odgovor će dati i popovi i prostitutke. Postoje očekivanja
da će na razliku u motivima poveravanja pre ukazati kvalitativne studije nego
kvantitativne.
Medutim, izveštaj ne poseduje dovoljan stepen preciznosti, jer izrazi kao što
su ,,u većini” i „uglavnom” dozvoljavaju vrlo različita tumačenja. Nezadovoljstvo
borbom protiv korupcije je prisutno u svim društvima, čak se može lako pret-
postaviti da je u mnogim zemljama „većina” Ijudi nezadovoljna time. Zbog toga
je taj iskaz u gomjem izveštaju trivijalan. Istraživački relevantan i zanimljiv
zadatak bi bio da se odredi položaj naše Vlade u odnosu na druge zemlje u
pogledu nezadovoljstva borbom protiv korupcije. Isto tako, zanimljivo bi bilo
kada bi se sadašnji nalazi uporedili sa ranijim nalazima, prethodnih Vlada.
Druga posledica nepreciznosti (odnosno nedostatka kvantifikacije) je u
tome što se iskazi izneti u izveštaju ne mogu dokazati. Je li „uglavnom” 51%,
70% ili 90%? Čak ni strukturalni iskazi, o tome da je Ijudima važno samo ono što
se tiče njih, pa na to obraćaju pažnju, nisu prezentirani u proverljivom obliku jer
se ne zna da li je ta pojava prisutna kod većine Ijudi, i ako jeste, kod kolike
većine. U tom smislu treba primetiti da u anketnom istraživanju ni po jednom
pitanju Vlada nije dobila većinsku (natpolovičnu) podršku.
Probleni preciznosti se u kontekstu merenja obično vezuje za pojam
pouzdanosti. U ovom slučaju je nedostatak preciznosti nužna posledica odsustva
kvantifikacije. Uzorak fokus grupa je suviše mali da bi bio reprezentativan za
ukupnu populaciju odraslih Ijudi, pa se lako može očekivati da će nalazi varirati
od grupe do grupe. Drugim rečima, pouzdanost tipa „testa i retesta”, koja je
primerena i poželjna za ovaj tip podataka, u startu je kompromitovana. Medutim,
pouzdanost tipa „saglasnosti između procenjivača” nije kompromitovana i trebala
 bi biti obavezna u svakoj kvalitativnoj metodi (npr. da se uporede nalazi različitih
moderatora i različitih kodera).
Međutim, fokus grupe imaju jedan kvahtet koji se čak i na ovom malom
primeru može uočiti? To je saznanje da Ijudima nisu sve oblasti delovanja Vlade
podjednako važne. Može se očekivati da će njihovo ocenjivanje rada Vlade s
obzirom na stvari koje su im važne biti strožije, nego s obzirom na stvari koje im
nisu važne. Fokus grupe mogu dati sugestije i smemicc istraživaču šta da pita
Ijude i koje aUemative odgovora da uključi u upitnik. Recimo, utisak istraživača
da Ijudi cene značaj ugleda zemlje, ali ga možda, iz neznanja, ne vezuju za domen
spoljne pohtike, može poshižiti da se u narednom anketnom istraživanju postave
takva pitanja i da se pojava detaljnije ispita. Slično je i sa uverenjm učesnika da
nisu dovoljno informisani. Taj bi podatak, takođe, trebalo proveriti upitnikom na
reprezentativnom uzorku, ah se kao ideja može iskoristiti za uvodenje portparola
ih službe sa informisanje pri Vladi.
M i ćemo ovde zauzeti stav da spomcnuto „kvahtativno” istraživanje i
izveštaj koji je iz njega proistekao ne zadovoljavaju kriterijum naučne objektivno-
sti, je r su tvrdnje iznesene u izveštaju suviše neodredene da bi se mogle proveriti.
Pošto postoji evidentan problem preciznosti, zaključujemo da izveštaj nije
dovoljno pouzdan, jer bi ponavljanje na novim fokus grupama verovatno dalo
druge rezuhate.
Pitanje valjanosti ovde nije lako fomuilisati. Svako vidi da je izveštaj ponu-
dio malo podataka, a mnogo zaključaka. U slučaju da su ti zaključci tačni, kon-
struktivna valjanost bi sc mogla smatrati dobrom. Nažalost, tačnost zaključaka se
ne može dokazati na osnovu izveštaja.
Prikazani izveštaj iz istraživanja fokus grupama se skoro u potpunosti
mogao napisati i na osnovu podataka iz anketnog istraživanja, a na osnovu nave-
denog pitanja i dva dodatna pitanja: ,,šta mislite da trebaju biti prioriteti Vlade” i
,,da li smatrate da ste dobro upoznati sa radom Vlade”. Ali ako bi izveštaj i dalje
zadržao narativnu fonnu, bez kvantitativnih pokazatelja kao što su procenti i
stepen povezanost između ta tri pitanja, predstavljao bi prosto loše i neprecizno
prepričane podatke. Izveštaj iz fokus grupa bi, opet, značajno dobio na saznajnoj
snazi kada bi bio komplctniji, kada bi se izmenio u skladu sa prethodno opisanim
zamerkama i, naravno, kada bi se dopunio kvantitativnim iskazima. U tom smislu,
poput klasifikacije koja se često sreće u umetnosti; da postoje samo dobra i loša
dela, nezavisno od žanra, treba razlikovati dobra i loša istraživanja i dobre i loše
izveštaje, nezavisno od pristupa (v. fusnotu na str. 98).

4. Interakcija, vaUdnost i objektivnost

Pod interakcijom podrazumevamo razmene do kojih dolazi između

posmatrača i posmatranog, između istraživača i pojedinca ili grupe koju istražuje.
Razmenjuju se utisci, stavovi, shvatanja, mišljenja i simpatije, svesno ili nesves-
no, namemo ili nenamerno. Ove razmene (interakcije) su posebno karaktcristične
za kvalitativne metode. Konstruktivistički orijentisani autori zasnivaju istra-
živačke metode na interakciji je r je smatraju glavnom prednošću koje kvalitativne
metode imaju nad kvantitativnim metodama, zato što istraživaču omogućuju bolju
konstrukciju vlastitih značenja o pojavi koju istražuju. Naravno, interaktivnost je
najviše izražena u metodama kod kojih postoji neposredni kontakt istraživača i
ispitanika, kao što je u intervjuu.
Treba reći da danas miiogi autori kada govore o kvahtativnim metodama, ili
kada ih defmišu, ističu da su društvena istraživanja sama po sebi interaktivna, a
prikupljanje podataka posebno. Naime, interakcija merenja i merenog je p rav //o
svakog merenja, a ne izuzetak. U naukama o ponašanju postoje, međutim, dva
pogleda na tu interakciju.
Psiholog Louis Leone Thurstone je 1925. godine formulisao vahdno
merenje kao ono u kome rezultati nierenja ne zavise ni od onoga šta se meri, ni od
onoga čime se meri. Danas je veoma dobro poznato da interakcija meritelja i
merenog dovodi do onog što se naziva ugroiavanjem validnosti merenja (v.
posebno poglavlje). Ugrožavanje vaUdnosti zbog interakcije je univerzalan
problem u svim nacrtima istraživanja, ne samo kvalitativnim, jer su razmene i
interakcije univerzalne za sve tipove istraživanja.
Teorija merenja se veoma mnogo bavi tim problemom i o njemu je bilo reči
u glavi o teoriji merenja. Jedan od osnovnih epistemoloških kriterijuma je
ohjektivnost (v. uvodnu glavii). Iz toga proizlazi da sve metode, kvahtativne više,
a kvantitativne manje, stalno moraju da rešavaju pitanje objektivnosti koje je
Thurstone formuhsao kao zadatak (parafrazirano): da dobijene mere ne zavise od
onoga čime smo merih niti od onoga šta smo merih.
Drugo gledište je da je interakcija ono što poboljšava saznanje jer omogu-
ćuje istraživaču da bolje razume stanovište ispitanika. Zato istraživači koji pri-
hvataju ovo gledište nastoje da stupe u što neposredniji kontakt sa predmetom
svog interesovanja i upravo nastoje da stvore hčno tumačenje društvenih
okolnosti koje ispituju. Oni ne smatraju da interaktivnost ugrožva validnost
istraživanja - naprotiv.
Istraživači uvek moraju da imaju u vidu interakciju i da je koriste ih kontro-
lišu. Koristiće je ako ocene da će im omogućiti da prikupe bolje podatke (u
psihoanalizi se interakcija naziva transferom i nalazi se u samom temelju psiho-
analitičke psihoterapije). U suprotnom, moraju da nastoje d aje eliminišu, ili daje
parcijaliziraju, kako bi rekli statističari. Na primer, ako smatraju da je ponašanje
ispitanika neprirodno zbog prisutnosti posmatrača, istraživači mogu pokušati da
primene neku drugu, neoptruzivnu metodu.
U glavi 0 individualnim razlikama opisali smo interakcije meritelja i mere-
nog kao izvor individualnih razlika - po pravilu neželjenih. Dobro su poznate
tendencije ispitanika da istraživaču ih povladuju, ili naprotiv, da mu se suprot-
stavljaju. Ispitanici to nekada rade zato što im je takav hčni sklop, a nekada zato
što situacija to iziskuje. Nekada žele nešto da prikriju, nekada nisu dovoljno moti-
visani, a nekada su isuviše motivisani. Na isti način, kao izvor neželjene vari-
janse, mogu se razvrstati halo-efekt, „lične jednačine”, blagonaklonost-strogost i
sve druge pristrasnosti istraživača kao posmatrača.
Razmene posmatrača i posmatranog mogu doprineti boljem razumevanju
ponašanja ovog drugog, ali uvek treba biti svestan problema ugrožavanja valid-
nosti. Zato je teško reći kada interaktivnost povećava valjanost podataka, a kada
je ugrožava. Neki autori smatraju da kvalitativne metode ,,iz interakcije izvlače
ono najbolje”, dok ona u kvantitativnim metodama ugrožava validnost i sigumo
je nepoželjna. Postavlja se pitanje ko treba da presudi u narativnoj paradigmi, u
kojoj svaki istraživač ima ličnu priču. U uvodnoj glavi je opisano da je suština
naučnog metoda u tome da sadrži potrebu i način da presudi čija je priča istinita.
To se može uraditi samo na kvantitativan način: postaviti hipoteze i empirijski ih
proveriti.

5. Sličnosti i preplitanja

Studentu će biti vrlo lako da zapamti Trochimov stav (2005). Parafrazirano,

on kaže da u istraživanju ponašanja važi sledeći iskaz: Kvantitativni podaci se
najčešćeprikupljajii na osnovu lcvalitativnilj sudova, a večina kvalitativnihpoda-
taka se može konvertovati u kvantitativne.
Uzmimo, na primer, podatke uz upitnika ih psilioloških testova (koji pripa-
daju drugoj paradigmi psihološkog merenja). Rezultati ispitivanja upitnicima ili
testovima su kvantitativni i te podaci prikupljeni tim metodama se tretiraju kao da
su na intervalnom nivou. Međutim, sud o svom ponašanju, svom stavu ili mišlje-
nju donose sami ispitanici na osnovu kvalitativnog mentalnog procesa suđenja.
S druge strane, kvalitativni podaci se po pravilu mogu konvertovati u
kvantitativne pomoću operacija klasifikacije (kategorizacije) ili brojanja. Sasvim
jednostavno, kvalitativne podatke, a najlakše je da ih zamislimo kao priču-
naraciju (v. kasnije), možemo podeliti u osnovne informacione jedinice: jedinice
ponašanja ili jedinice anahze. Ove jedinice možemo prebrojavati, a možemo ih i
skorovati sa 1 i 0 (juisutne - nisu prisutne) kako bismo dobili dihotomne varijable
(koje su „bezskalne”) ili formirali matrice distanci. Podaci nastali brojanjem,
dihotomne varijablc i matrice distanci mogu se obradivati kvantitativno - statis-
tički. Za pretvaranje kvalitativnih podataka u kvantitativne su ponekad potrebne
dodatne informacije. Recimo, neku postojeću podelu naselja na selo-grad može-
mo pretvoriti u ordinalnu ako raspolažemo podacima o veličini naselja, ili posto-
janju škole i drugih institucija u naselju.
Postoji i suprotna mogućnost; kvantitativne podatke možemo svesti na
kvalitativne, kao kad, recimo, telesnu visinu izmerenu u milimetrima svedemo na
„niski-srednji-visoki” (bez navođenja granica podele).
Rosnow i Rosenthal (2005) zastupaju metodološki pluralizam i teoretski
ekum enizam . Istini za volju, oni pod tim više podrazumevaju objedinjavanje
psihologije sa bihejvioralnom medicinom, psihobiologijom i kognitivnom neuro-
naukom, nego sa naracijom i etnografijom, ali ne isključuju ni takve mogućnosti.
Potvrdu tome nalaze u dosadašnjem razvoju nauka o ponašanju, kao i zapažanja
ranijih filozofa, recimo Hansa Reichenbacha, da podaci prikupljeni različitim
tehnikama prisiljavaju naučnike da ih objedine.
Ponavljamo i ono što je rečeno u poglavlju o teorijskim perspektivama:
tumačenje rezultata analize podataka i objedinjavanje svih nalaza iz kvantitativ-
nih studija u konačne zaključke je čin celovitog razumevanja pojave, vrlo shčan
onome što pristalice kvalitativnih istraživanja zahtevaju.

6. Završna zapažanja o razlici kvantitativnih i

!<valitativnih metoda

Da bi istraživač koji se opredeli za kvalitativna istraživanja ostao nai'

istraživač, morao bi da preduzme sve korake da izbegne temeljni n ed o si. •
kvalitativnih metoda - neobjektivnost, neproverljivost i neponovljivost. S drujj..
strane, kvantitativne metode, koje se zasnivaju na merenju ponašanja, imaju, opet,
temeljni problem dokazivanja da je ono što se meri (predmet merenja), kvantita-
tivne prirode. Kako dokazati da su pojave kao što su maloletničke trudnoće,
štrajkovi ili patrijarhalnost kvantitativne, ili sastavljene od kvantitativnih podpo-
java, da bismo im mogli dodehti brojeve?
Mnoge od često pominjanih raziika izmedu kvantitativnih i kvahtativnih
metoda, od kojih smo neke ovde naveh, nisu izdržale probu vremena. S druge
strane, vreme je pokazalo da postoje suštinske shčnosti. Kada se tome doda
nemogućnost da se razreše temeljni problemi koji muče i jedne i druge metode, u
poslednje vreme je prevagu odnelo shvatanje da kvalitativne i lcvantitativne
metode rastežu jednu dimenziju, odnosno kontinuum, a ne cepaju socijalna istra-
živanja na dva dela. Na tom kontinuumu postoje mnogi prelazi, prehvi i kombina-
cije, pri čemu se u istom istraživanju, pa čak i u istoj metodi niogu susresti
kvalitativni i kvantitativni elementi.
Odluka o izboru kvantitativne ih kvahtativne paradigme muči istraživače.
Opredeljenje za jedan ih drugi pristup istraživanju povlači za sobom razhčito
koncipiranje istraživanja u celini, pa i metoda za prikupljanje podataka. Međutim,
bez obzira na značaj koji se ponegde pridaje ovoj dilemi i bez obzira na sve
konsekvence koje prate izbor jedne od te dve opšte metodologije, osnovni
epistemološki kriterijumi ne mogu biti razhčiti. Zbog toga je važno podsetiti se
opštih epistemoloških principa (opšto.st, objektivnost, sistematičnost itd.) da bi se
razumelo da ,je istina samo jedna” i da u tom smislu ne mogu postojati različite
„metodologije”.
Dmgo je pitanje što postoji značajna korelacija izmedu jednog opšteg
naučnog stila, istraživačke tradicije i opredeljenja za neki „izam”, sa jedne strane
i opredeljenja za kvantitativnu ili kvalitativnu metodu, s druge. Kad se to zna,
onda postaje jasno zašto se čini da su istraživanja koja koriste razhčite metode
prikupljanja podataka različita u svim elementima. To je posledica razlike u
mentalnom stilu i tradiciji istraživača ih njegove sredine, a ne posledica različite
metode. No, bez obzira na sve, može se prihvatiti da zadnja odbrana naučnosti
nije na liniji kvantitativno-kvalitativno, ali mora biti na liniji sistematičnosti i
objektivnosli.
Po opštem mišljenju, primena kvalitativnih metoda je n ajk o risn ija i naj-
češća u ran im fazam a razvoja neke naučne oblasti, ili u prelaznim fazama^^
Izveštaji iz kvalitativnih istraživanja mogu biti inspirativni, dakle pogodni za
sticanje novih ideja i formulisanje novih hipoteza. O tome će još biti reči tokom
izlaganja pojedinih kvalitativnih metoda.
Razuman istraživač bi danas, prema onome što čini pozitivan fond iskustava
iz empirijskih socijalnih istraživanja, učinio najbolji potez ako bi spomenutu
dilemu rešio na m ultim etodski način. Ako raspolaže makar i najmanjim uslovima
(u smishi resursa), kombinovao bi metode iz ,,oba sveta”. N a primer, kombinovao
bi anketno istraživanje i fokus grupe, ili kvazi-ekperiment i studiju slučaja. Osim
poziva na kombinovanje kvantitativnih i kvalitativnih metoda, neproduktivna
debata o ,jednoj pravoj metodi” se danas pomerila u većini društvenih nauka ka
mnogo konstruktivnijem pitanju o tome koja je metoda najbolja za koje istra-
živačke ciljeve.
Vrlo je značajno i to što će tokom rasprave o pojedinim metodama čitalac
imati prilike da vidi kako je razlika između kvantitativnih i kvalitativnih metoda
zapravo eluzivna. Posmatranje može produkovati ordinalnu memu skalu, analiza
sadržaja može biti i kvalitativna i kvantitativna metoda, svaka klasifikacija (kao
esencija kvalitativnih metoda) se sa malo pažnje može kvantitativno kodirati itd.

7. Uvodni komentar o prikazanim metodama

U oblasti empirijskih istraživanja u naukama o ponašanju mogu se sresti

veoma različite metode i tehnike merenja i prikupljanja podataka. Standardni
priručnici i udžbenici o socijalnim istraživanjima tretiraju sve posebne tehnike i
varijante merenja kao lateralne, a nasuprot njima, bave se jednom grupom „main-
stream” metoda i tehnika. Slično ćemo uraditi i ovde, ne pretendujući da smo
učinili baš u svemu najbolji i najpotpuniji izbor.
Može se očekivati da će svaki čitalac, čak i ako nije di'uštveni istraživač,
prepoznati prikazane nietode, ili barem većinu njih. U tom smislu se može
opravdati ako neki priručnik, kao što je ovaj, prati tradicije i navike i drži se tog
standardnog izbora metoda. Ako su, opet, ispuštene neke nove, ključne i važne
metode iz pojedinih društveno naučnih disciplina, nedostatak ćemo nastojati
kompenzirati ažumim prikazom tradicionalnih metoda.
Pitanje da li je neka metoda kvantitativna ili kvalitativna, a videće ,se da je
to pitanje aktuelno kod priličnog broja metoda, biće diskutovano u okvim svake
pojedinačne metode.

To ne protivreči, čak je sasvim u skladu, sa stavom da su društvene nauke još u

povoju.
 Postoji još jedno važno a aktuelno pitanje: da li se radi o metodi ili tipu
istraživanja, I o tome je već bilo reči u glavi o vrstama istraživanja, ili će biti reči
u ovoj glavi. N a primer, studija slučaja se negde tretira kao metoda istraživanja, a
analiza sadržaja se negde tretira kao vrsta istraživanja.
„Skaliranje je drugo ime za merenje” rekli bi mnogi teoretičari merenja.
Skaliranje koje se koristi u naukama o ponašanju, svakako se zasniva na ideji
skaliranja, odnosno merenja i proistekla je iz želje da se individualne razlike
kvantifikuju. M etoda skala procene biće opisana u zasebnompoglavlju. Međutim,
pitanje skaliranja se u naukama o ponašanju najčešće postavlja u merenju
stavova. Zato će u ovoj knjizi posebno poglavlje biti posvećeno merenju stavova,
gde će biti opisane osnovne skale koje se koriste za istraživanje ponašanja.

B. Neposredno posmatranje

To je prva i osnovna metoda svekolikog čovekovog zadovoljavanja rado-

znalosti i želje za saznavanjem sebe i okoline. Posmatranje vrši pojedinac
ponioću svojih čula. Ta, naizgled trivijalna suština, ostala je temeljni element
naučnog saznanja do danas, ali i za budućnost. U glavi o teoriji merenja i diskusiji
0 razlici fizičkog i društvenog merenja rečeno je da je uloga čoveka u svakom
merenju praktično presudna. Čovek gleda u brojčanike, očitava vrednosti,
posmatra da li je postupak merenja protekao u redu, da li ne postoje neželjeni
vanjski uticaji, da li su instrumenti baždareni itd. Postoji nešto u čovekovoj težnji
da vidi neku stvar da bi mogao reći da je poznaje što je više od apstraktnih
procedura merenja. Kada su svemirske sonde fotografski snimile površinu Venere
1 poslale te retke i ne baš savršene snimke na Zemlju, to je bio znak da je čovek
istražio Veneru više nego sva prethodna i kasnija termografska, spektrografska i
druga snimanja. U tome verovatno postoji jedan iracionalni razlog, ali je on vrlo
praktično utemeljen. Da bi se napravili makar i loši snimci površine Venere čovek
je trebao da dode do tamo. To je sasvim razuman dokaz čovekove potencije, više
nego što su to snimanja sa distance.

1. Posmatranje i merenje

Setimo se najstarije defmicije'merenja; merenje je uporedivanje objekta sa

standardom. Šta radi čovek kada meri dužinu stola? On posmatra sto i upoređuje
ga sa metrom. Da li postoji razlika između te procedure i procedure kada
istraživač posmatra decu u obdaništu i upisuje da li se deca igraju sa lutkama
islog ili različitog pola. Ne postoji razlika. Posmatranje je merenje.
 Ipak, da ne bismo zbog vehemencije donosili prebrze zaključke, možemo
zaključiti da posm atranje može biti merenje. Naime, u gomjem primeru je
procedura posmatranja identična defmiciji merenja zato što je posmatrač imao
tačno propisane kategorije posmatranja i beleženja. On je posmatranje obavljao
sistematski, planirano i organizovano. Rezultirajući podaci ovakvog posmatranja
mogu biti na intervalnoj memoj skali (recimo broj koliko puta je dete uzelo
odredenu lutku ili koliko dugo se s njom igralo). Da je isti posmatrač samo došao
i iz besposlice gledao decu u parku kako se igraju, on sigumo ne bi proizveo
numeričku skalu („slatka su”, možda bi zaključio).
Isti zaključak se može doneti za sve dmge kvalitativne metode - ako se
postupak standardizuje, ako se uspostave egzaktne kategorije i način njihovog
prepoznavanja i beleženja, ako se obuče posmatrači kako bi se smanjila među-
posmatračka varijansa (i racionahzovala unutar-posmatračka), svaka kvahtativna
metoda može proizvesti kvantitativnu skalu.
Pošto kvalitativne metode prikupljanja podataka po pravilu rezultiraju
nominalnim skalama, za te metode se kaže da im je cilj klasifikacija. Stvarno,
minimalni cilj objektivnih kvalitativnih metoda je da pravilno identifikuju i
razvrstaju ponašanje u kategorije. Što se tiče posmatranja, taj osnovni cilj može
biti i jedini, ah ne mora. Posmatračima nije zabranjeno da koriste razne pomoćne
i meme instmmente kako bi snimili objektivne podatke o pojavi koju izučavaju
(štoperice, fotoaparate, kamere, magnetofone). U pogledu upotrebe memih
instmmenata kod posmatranja je od eventuahiog značaja samo to da ti instmmenti
što manje utiču na objekte posmatranja, odnosno na pojavu koja se posmatra.
Dakle, uz prostu klasifikaciju, posmatranje može pružiti i objektivno prikupljene
podatke na intervalnom nivou (brojanje, merenje trajanja) ili ordinahiom nivou
(evidentiranje poretka dogadaja, poredenje objekata posmatranjem, poredenje
gustine gomile Ijudi sa standardom), a može i priUčno precizno registrovati veze
izmedu pojava (uzastopno ili uzajamno pojavljivanje).
Konačno, treba svakako znati da neposredno posmatranje, kao najstarija i
najopštija metoda prikupljanja podataka nije vezano za neki odredeni nacrt istra-
živanja niti neku teorijsku perspektivu. Posmatrati se može u okvim eksperi-
menta, ankete ih narativnog istraživanja.
Neposredno posmatranje se, kao kvahtativna metoda, ne smatra pogodnim
za donošenje kauzalnih zaključaka o posmatranom ponašanju. Medutim, postoje
inovativne studije u kojima se manipuhsalo nezavisnim varijablama (npr. brojem
igračaka i prostorom za igru) u kontrohsanim uslovima koji su obezbedivah zado-
voljavajuću intemu vahdnost (tako što je dečji vrtić bio osnovan u okviru odseka
za psihologiju).

2. Ko se i šta se posmatra

U dmštvenim istraživanjima se najčešće posmatra ponašanje Ijudi. Među-

tim, mogu se posmatrati i gmpe Ijudi, male ih vrlo vehke (demonstracije, utak-
mice), pa i životinje. Veoma čest objekat posmatranja su deca i metoda neposred-
nog posmatranja je jedna od osnovnih u razvojnoj psihologiji. Specifično
posmatranje se sreće u analizi medija (komunikologiji) gde se posmatraju filmovi,
televizijske ili radio emisije (ovo posmatranje se koristi u analizi sekundarnih
podataka i analizi sadržaja). Etnolozi posmatraju ponašanje pripadnika neke
primitivne kulture i njihove proizvode. Neposredno posmatranje se vrlo često
kombinuje sa drugim metodama. Recimo, možemo posmatrati učesnike dok
razgovaramo sa grupom Ijudi, a kasnije im možemo dati upitnik da objasne svoja
osećanja i zapažanja ili osećanja i ponašanje drugih učesnika. Štaviše, možemo
pitati dm ge Ijude, recimo veštake ili informatore, o tome šta se dešavalo pre
posmatranog ponašanja. Možemo da posmatramo Ijude dok odgovaraju na
upitnike, ili učestvuju u eksperimentu, potpuno nezavisno od toga šta je predmet
upitnika ili eksperimenta.
Dobra defmicija i operacionalizacija onoga šta se posmatra je presudna za
uspeh posmatranja. Cešći slučaj je da istraživači posmatraju ponašanje i situaciju
u cehni, sa mnogo detaJja, preopšimo, a da na kraju ustanove da nemaju ključne
podatke za odgovor na istraživačka pitanja. Nije dobro ni da se posmatra
„preusko”, samo neki detalji ponašanja, jer i na taj način mogu biti propušteni
bitni detalji.

3. Vrste neposrednog posmatranja

Postoje dva osnovna okruženja u kojima se vrši posmatranje: laboratorija i

teren. Laboratorijsko, kontrohsano posmatranje je običnopotpuno strukturisano,
što znači da je unapred pripremljen spisak kategorija i posmatrač tokom posma-
tranja vrši kodiranje (v. poglavlje o kodiranju). Za strukturisano posmatranje je
neophodno vođenje zapisnika posmatranja (v. kasnije). Pošto popunjavanje
zapisnika može biti složeno i zahtevno, stmkturisano posmatranje zahteva obuku
posmatrača. Stmkturisano posmatranje se može učiniti vrlo pouzdanim i objektiv-
nim (uz dobre zapisnike, a pogotovo dobre snimke, ponašanje mogu reevaluirati
dmgi posmatrači i kontrolori).
Prednosti strukturisanog posmatranja su: mogućnost ponavljanja, sistema-
tičnost u prikupljanju podataka, podaci se rnogu kumuhrati i trajno čuvati (ako se
snimaju), kontrola neželjenih varijabh tako što se okmženje drži konstantnim,
minimiziranje pristrasnosti posmatrača. Nedostaci su: potencijahio niska ekološka
vahdnost, nekada nije moguće obezbediti saradnju ispitanika i moguća neetičnost
(Langdridge, 2004).
Terensko posmatranje po pravilu nije kontrolisano i manje je stmkturisano.
Ono se obavlja u prirodnoj sredini objekata posmatranja i u realnom vremenu.
Tipični ciljevi terenskog posmatranja su više eksplorativni i obično naginju feno-
menološkom i etnološkom pristupu, što znači da posmatranje ne počinje od
gotovih kategorija. Pošto nema gotovih kategorija, teže je napraviti dobar
zapisnik posmatranja. Zato je jedini izlaz da se vode beleške i da se fdm ski snima
ponašanje. Problem sa beleškama je što su subjektivne, a problem sa snimanjem,
kao i sa prisustvom posmatrača uopšte, jeste to što posmatrani ipak nisu u svom
prirodnom okmženju. Snimanje kamerom deluje na većinu Ijudi, a posebno na de-
cu. Neko glumi, izvodi scenske radnje i gura se u prvi red, a neko beži što dalje.
lako bi tercnsko posmatranje trebalo da ima visoku ekološku validnost, čitalac
može sam zaključiti kolika je korist od grupe koja se okupi pred kamerom i maše.
Druga važna podela posmatranja je na: optmzivno i neopiruzivno. Ova
podela se dobrim dclom preklapa sa podelom na reaktivno i nereaktiv?7o
posmatranje. U optruzivnom posmatranju učesnici su svesni da su posmatrani, što
može dovesti do toga da posmatranje bude reaktivno, odnosno da utiče na njihovo
ponašanje. Suprotno od toga, u neoptruzivnom posmatranju učesnici ne znaju da
su posmatrani i zato je posmatranje nereaktivno jer neće uticati na ponašanje
učesnika. Neoptruzivno posmatranje može koristiti telinike: fizičkih tragova,
prostog posmatranja i planiranog posmatranja.
Fizičke tragove je, na primer, koristio jedan marketinškl istraživač, tako što je posma-
trao dugmad na radio aparatu u kolima kod mušterija jednog auto servisa. Na csnovu sta-
nica koje su bile postavljene na dugmadima, dao je preporuku na kojim radio stanicama
auto servis treba da objavljuje svoje reklame. Prostim posmatranjem se koristio jedan istra-
živać koji je razvrstavao psihologe na jednom strućnom skupu po tome da li nose kratku ili
dugu kosu. Interesovalo ga je da li na osnovu frizure može predvideti teorijsku I metodo-
lošku orijentaciju psihologa (psiholozi sa kraćom kosom su bili metodološki „strožiji”). Plani-
rano posmatranje možete sprovesti tako što ćete izmeriti koliko se suzio krug dece koja
sede oko vas kad poćnete da prićate strašnu priču o duhovima.

Da posmatranje ne bi bilo reaktivno, može se koristiti skriveno merenje

(kao što je skriveno snimanje) ili delimično skriveno merenje (na primer, ako se
majkama kaže da se posmatraju njihova deca, ali se stvamo posmatraju i majke i
deca).

4. Posmatrač - osnovni merni instrument posmatranja

Osnovni memi instrument u posmatranju je posmatrač. Ta karakteristika

bitno određuje inesto posmatranja u lepezi naučnih metoda. Posmatrač je istovre-
mcno glavna prednost i glavni nedostatak posniatranja kao metode prikupljanja
podataka. Glavna prednost je u tonie što on kao rezuhat posmatranja beleži svoje
zaključke o to m eštaje video. Dobro zaključivanje posmatrača o tome šta se deša-
va je od neprocenjive važnosti za naučno saznanje i daje vrednost posmatranju
koju ostale metode nemaju. Na primer, ako uoči guranje i svađu između dva
objekta posmatranja, posmatrač može prepoznati da se radi o šali. Ih može oceniti
da se radi o dvojici braće kod kojih su takve prepirke deo porodične dinamike i
nemaju status ispoljavanja agresije. U slučaju odnosa nastavnika prema učeni-
cima, možda neki nastavnik posvećuje više pažnje nekim učenicima zato što misli
da su oni lošiji, ili su bili bolesni i nisu prisustvovali nastavi.
 S druge strane, čovek je napravljen tako da odozdo, od prostih čula, naviše, do najvi-
ših kognitivnih procesa, funkcioniše integrisano i međusobno povezano. Iz proučavanja per-
cepcije znamo da viđenje objekata odlikuje tzv. konstantnost opažaja. Nama će sto izgledati
kao sto i po najjačem suncu i po mraku, i gledan odozdo i gledan sa strane, i pokriven stol-
njakom i sa ćerkom koja sedi na njemu. Značaj konstantnosti opažaja je drastično uočen
tokom razvoja veštačke inteligencije i nastojanja da se i računari nauče da u svim spome-
nutim primerima prepoznaju da se radi o stolu. Do daljeg će računari imati velike probleme
oko toga.
Čovek jeste biološki napravljen tako da mu "svi delovi" rade integrisano, pa zbog toga
ne može da odvoji posmatranje od zaključivanja i motiva. Ali ta integracija je sigurno imala
za evolucioni cilj tačnost opažanja. Naše mentalne funkcije su odabrane tako da budu što
efikasnije, a pogrešno opažanje ne može biti efikasno. Dakle, greške u posmatranju koje su
posledica pristrasnosti, pogrešnog zaključivanja i "učitavanja" u posmatrano ono čega tamo
nema, nisu pravilo - one su prosto greške.

Dakle, kad čovek nešto gleda, pošto je u njegov centralni nervni sistem i u
njegove kognitivne proccse ugrađeno zaključivanje, on „viđi” ono šta on misli da
vidi. Čovek ne može da ne zaključuje. Iz toga sledi da će on zaključivati i onda
kada nema dovoljno podataka i kada postoji velika verovatnoća greške.
Sledeći problem je što kognicija kod Ijudi iiije nezavisna od konacije
(motivacije). Biološka adaptacija je učinila da one rade zajedno, uvek zajedno i
nikad jedna bez druge. Svaki čitalac će lako zaključiti kakve posledice ove dve
činjenice (zaključivanje i motivacija) mogu imati na ishod posmatranja.
Medutim, da li se uloga subjektivnog i celovitog istraživača kao biološkog
bića manifestuje samo u posmatranju? Naravno ne. Ista pravila kognicije i kona-
cije deluju u svim postupcima koje čovek kao istraživač može da preduzima
tokom naučnog istraživanja. Od izbora literature, preko konstrukcije mernih
instrumenata do donošenja zaključaka, svuda figuriše taj isti posmatrač.
Kod posmatranja treba stalno postavljati pitanje o valjanosti, pouzdanosti i
objektivnosti da bi se mogućnost grešaka što više umanjila. Ali neposredno
posmatranje nije tehnika koja je pogrešna u principu, niti je više pogrešna od
dmgih tehnika prikupljanja podataka u kojima je pojedinac onaj koji sudi.
Posmatrač mora biti nepristrasan, mora biti svestan opasnosti postojanja svog
mentalnog seta i nastojati ga eliminisati što više. Na primer, razlike i odstupanja
od očekivanja treba isto tako pažljivo zapisivati kao i poklapanja.
Ali, za posmatrača se obično kaže da mora biti aktivan, u smislu da je on taj
koji analizira posmatrane situacije, aranžira uslove, zapisuje, pamti i razmišlja.
U ostvarivanju tih ciljeva, posmatraču će nmogo pomoći iskustvo, priprema
i obuka. Isto tako, u posmatranju treba koristiti sva pomagala koja mogu biti od
koristi i koja su na raspolaganju; sredstva za snimanje (kamere, magnetofoni),
štoperice, teleskopi i dvogledi, poluprovidna ogledala i sl.
 a. Izbor posm atrača

Nakon što istraživač odredi koliko mu je posmatrača potrebno, valja pristu-

piti njihovom izboru. U zavisnosti od problema istraživanja i vrste i složenosti
ponašanja koje se posmatra biće potrebno pronaći posmatrače sa određenim pred-
znanjima, ili iz određenili profesija (psiliološke, m edicinske, pedagoške).
Posmatrači se mogu angažovati preko oglasne table i kada se pojave svi koji su
zainteresovani obično treba izvršiti selekciju. Bailey i Burch (2002) preporučuju
da se za selekciju iskoristi prvih nekoUko časova obuke. Kandidati koji uredno
dolaze na časove, pripremljeni, sa svojim štopericama i olovkama, a pogotovo oni
koji su sami napravili svoj obrazac zapisnika, imaće prednost nad onima koji
verbalno izražavaju entuzijazam ali uvek kasne, nikad ne donesu sve što je
potrebno, a inicijativu pokazuju jedino u nalaženju izgovora.

b. Obiika posm atrača

Obuku treba početi kratkim upoznavanjem posmatrača sa ciljem istraživa-

nja. Cilj treba predstaviti tako da isključi pristrasnost posmatrača. Na primer,
bolje im je reći „Želimo da ocenimo uticaj različitih pristupa nastavi na brzinu
učenja kod dece...” nego „Žehmo da pokažemo da su pažljiviji učitelji bolji
učitelji...”.
Nakon toga je najbolje da se puštaju trake ih filmovi, ili da se na pogodan
način prezentiraju karakteristična ponašanja koja će se posmatrati. Posmatrači ih
onda ocenjuju koristeći ponuđene zapisnike, njihove ocene se onda upoređuju i
diskutuju, a nastah problemi se rešavaju na hcu mesta. Ukazuje im se na neka
kritična mesta i moguće nijanse. Istraživačevo iskustvo može mnogo pomoći u
procesu obuke. Ukohko to iskustvo ne postoji, odnosno istraživanje se vrši po
prvi put, komentare i sugestije do kojih se dođe tokom obuke treba iskoristiti za
unapređenje protokola i zapisnika.
Za jednostavne protokole i zapisnike dovoljna su 3 - 4 sata obuke, a za
složenije i cehh 10 sati. Obuka posmatrača treba dabude zabeleženakako bi njeni
glavni momenti mogli biti prikazani u istraživačkom izveštaju, a isto se
preporučuje i za sve ostale faze istraživanja.

c. Poboljšavanje pouzdanosti posm atranja

O motivaciji saradnika govori se u glavi o praktičnim problemima sprovo-

denja istraživanja, kao i u poglavlju o skrivenim etapama uzorkovanja. Posma-
trače treba takode motivisati, podsticati, naglašavati im značaj istraživanja. Ne
sme im se stavljati do znanja da su neki podaci istraživaču poželjniji od nekih
drugih (jer tako se može stvoriti pristrasnost). Treba im staviti do znanja da je
istraživaču poznato da je posao dosadan, ali da su svi zainteresovani da se on ipak
 čestito obavi i da se eventiialni problemi reše. Može se koristiti „primer za ugled”,
odnosno istaći posmatrače koji posebno dobro rade, a ako istraživanje traje duže,
nekoliko meseci, treba sa njima stalno održavati kontakt, organizovati kratke
sastanke na kojima oni izveštavaju o radu, utiscima i problemima itd. Treba
ohrabrivati posmatrače da iznose svoje sugestije i zapažanja.
Međutim, barem isto toliko revnosno treba sprovoditi i kontrolu rada
posmatrača. Poznata je pojava posm atračkogpom aka, koji se ogleda u tome da
tokom posmatranja menjaju defmicije ponašanja iz protokola i na ki'aju počinju
primenjivati vlastite defmicije, Problem je posebno izražen kod dugotrajnih istra-
živanja koja se bave mahm promenama ponašanja.
Takode, na više mesta smo spomenuh posmatračku pristrasnost. Ona se
može defmisati kao ocenjivanje neke druge varijable osim one (zavisne) koju
treba ocenjivati ili čak umesto nje. Pristrasnost je veća kod posmatranja složenih
ponašanja, ali je utvrdena i kod tako jednostavnih jedinica ponašanja kao što je
broj skretanja na levo ili na desno u lavirintu. Posebna vrsta pristrasnosti je halo-
efekt ih efekt oreola, kada posmatrači ocenjuju osobe po svim svojstvima jedna-
ko, a na osnovu početne procene jednog njihovog svojstva.
Najbolji način da se kontroliše rad posmatrača je da se u nekim stalnim ih
slučajnim razmacima, ređe ili češće vrše provere pouzdanosti. To se radi tako što
se na mesto posmatranja pošalje još jedan, jednako obučen posmatrač (obično je
teško poslati više od jednog), koji beleži ponašanje na osnovu istog protokola i
zapisniica. Ova dva posmatrača trebaju da budu tako postavljena da imaju jednak
vidik na polje posmatranja, aU da ne vide šta onaj drugi beleži i kada beleži.
Takođe, moraju imati sinhronizovano vreme, recimo tako što će se na zid staviti
veliki sat sa sekundnom kazaljkom.
Nakon toga se slaganje posmatrača može oceniti nekom jednostavnom
metodom, kao što je procenat slaganja, ili se mogu izračunati složeniji koefici-
jenti slaganja posmatrača kao što je Cohenova kappa ih intraklasni koeficijent
korelacije (v. poglavlje o pouzdanosti merenja).

5. Beleženje posmatranog

Način beleženja zavisi na prvom mestu od stepena struktiiriranosti posma-

tranja. U terenskom, nestrukturiranom posmatranju, istraživač će se, verovatno,
opredeliti za terenske beleške i, ako za to postoje mogućnosti, za video snimanje.
Beleške su tradicionalna alatka posmatrača za prikupljanja podataka, ali su,
nažalost, vrlo subjektivne, a praksa je pokazala da ih nije lako voditi. Isto tako,
praksa je pokazala da video snimanje jako utiče na posmatrane osobe. Nestruk-
turirano posmatranje često završava narativnom analizom (v.) koja sadrži prozu o
predmetu posmatranja. Nekada storije sadrže i tumačenje postupaka ispitanika,
zaključke i dodatne napomene, pa su u tom smislu potpuno nestrukturisane.
Postoje mišljenje da takve beleške zalaze u oblast utemeljene teorije i studije
slučaja, što nije poželjno, nego beleške iz posmatranja trebaju biti samo tačna i
precizna deskripcija posmatranog, po mogućnosti sprovedena tako da se može
proveriti objektivnost, što praktično znači da mora postojati više od jednog
posmatrača.
Za stmkturisana posmatranja najjednostavnija, najjeftinija i najčešće
korišćena oprema su zapisnik posmatranja, neka vrsta sata ili štoperice i olovka
(Bailey i Burch, 2002). Pomoću ove opreme moguće je sprovesti objektivno
posmatranje, koje ima status merenja, a za zapisnik posmatranja ili dnevnik
posmatranja se često kaže da predstavlja memi instrument posmatranja. Mnogo
je napisano o sadržaju i formatu tog zapisnika. Međutim, osnovno je ono što smo
rekli u pretliodnim pasusima - ako hoćemo da posmatranje učinimo objektivnim,
dnevnik posmatranja m^ora biti zasnovan na protokolu posmatranja (v. kasnije),
odnosno listi instrukcija koje precizno strukturiraju šta se posmatra i šta se beleži.
S druge strane, etnolozi će insistirati da dnevnik posmatranja bude sveobuhvatan,
potpun i obiman, jer je prvenstvena namena takvih istraživanja upoznavanje i
pokušaj razumevanja objekata posmatranja.
Najjednostavniji obrazac zapisnika posmatranja koji mi ovde imamo u vidu
(a to nije etnološki obrazac) treba da sadrži osnovne identifikacione podatke kao
što su: posmatrač, lokacija, vreme početka i završetka, datum i sl. Nakon toga je
uobičajeno da postoji deo za prikupljanje podataka, obično u obliku tabele kojaje
podeljena na jedinice ponašanja, vremena i intervale. Ako je ova tabela dobro
formirana, posmatrač će u kućice trebati unositi samo ,,X” kako bi evidentirao da
se dotično ponašanje desilo u tom vremenu i da je trajalo tokom tog intervala.
Konačno, na kraju treba ostaviti mesta za komentare posmatrača i ev. dmge
podatke (npr. ime kontrolora).
Ako je predmet posmatranja agresivno ponašanje, onda će u zapisniku biti
ponudeni kritični događaji kao jedinice ponašanja. U uputstvu posmatračima, u
protokolu i tokom njihove obuke mora biti detaljno obrazloženo kakvi su to
događaji. Npr. da je neko zaplakao, da je neko nekoga udario, da je neko na
nekoga vikao, bled ili crven u Hcu, da mu je brada drhtala, da su pesnice bile
stisnute, da su pravljeni pokreti koji su hčiU na zaustavljeni udarac, da je bilo
fizičkog kontakta u vidu guranja, držanja za odeću i drugog.
Ako je predmet posmatranja bilo ponašanje nastavnika prema učenicinia i to
u smislu fleksibilnosti, razumevanja i saradljivosti, onda se u zapisniku mogu
predvideti mbrike: strog-popustljiv, pravedan-pristrasan, dosadan-zanimljiv,
fleksibilan-krut itd. Svaka od ovih klasifikacija mora biti što detaljnije
obrazložena i moraju biti data što detaljnija uputstva i primeri za prepoznavanje
odgovarajućih ponašanja. Na primer, pravedan nastavnik se ponaša prema svim
učenicima isto, poklanja pažnju svim učenicima, kada predaje ne obraća se
nikome posebno, ne zove neke učenike nadimkom, a neke prezimenom itd.
Danas se beleženje posmatranja može znatno olakšati i poboljšati uz
upotrebu tehničkih pomagala, pre svega snimanja na video traku i korišćenje
sistema za računarsko prikupljanje podataka. Video traka omogućava da se
ponašanje snimi i da se analizira kasnije, polako, uz mogućnost ponavljanja i, što
je najvažnije, od strane više posmatrača. Računarsko vodenje zapisnika omogu-
ćuje zapisivanje velikog broja različitih ponašanja, njihovog vremena nastanka,
trajanja, vađenje uzoraka vremena, određivanja vremena latencije itd.
Kada se radi sa papirom (ali treba imati u vidu da se zapisnik može sastaviti
i na osnovu video trake), važno je unapred pripremiti i formatizirati obrazac tako
da posmatrač može brzo i lako evidentirati ponašanje. Dobro i efikasno rešenje je
da se u gornjim primerima sa agresivnim ponašanjem i ponašanjem nastavnika
posmatračima u obrascu zapisnika posmatranja ponudi kontrolna lista (engl.
check list), sa spiskom kategorija koje je on dužan da uoči, sa vremenom
pojavljivanja i trajanjem. Kad god se pojavi neka od tih kategorija ponašanja on
je prosto označi (sa poznatim epistemološkim simbolom koji se naziva „štrihla”).
Sledeće vrlo poznato rešenje su skaleprocene (engl. rating scale, v. poseb-
no poglavlje). One su slične kontrolnim listama, ali osim evidentiranja postojanja
kategorije, posmatrač unosi i stepen ili jačinu prisustva kategorije. Skale procene
i skale samoprocene su jedan od najviše korišćenih memih instrumenata u nau-
kama o ponašanju, posebno u psihologiji, pedagogiji i sociologiji i koriste se u
svim istraživačkim kontekstima i pristupima.
Na primer, ako se posmatra agresivno ponašanje, posmatrač može dobiti
zadatak da odgovori na sledeće pitanje:
Koliki je bio intenzitet svađe?
1. Jedva vidljiv 4. Jak
2. Slab 5. Vrlo žestok
3. Srednji

Postoji bezbroj formata ovakvih stavki koje mogu da čine skalu procene -
npr. kategorijalne, numeričke (kao ova u primeru), ih grafičke.
Kao altemativa kontrolnim Ustama nekada se koriste i skale sa prisilnim
izborom. Skale sa prisilnim izborom se sastoje iz parova tvrdnji, ih tria, kvarteta,
kvinteta itd. Parovi su najčešće konstruisani tako da svaki član predstavlja
zasebnu dimenziju ponašanja. Npr;
1. pažljiv 2. savestan
hladan krut

Posmatrač mora da izabere onaj opis (od dva) koji najbolje opisuje posma-
trano ponašanje (npr. nastavnika). Kod stavki sa prisilnim izborom se smanjuje
verovatnoća socijahio poželjnih, konvencionalnih i pristrasnih procena. Postoje i
znatno složeniji fonnati stavki sa prisilnim izborom, recimo sa 4 tvrdnje, koje su
odabrane tako da kombinuju poželjnost i dimenzije onoga što merimo (npr.
m aštovit-liut, uredan-nemaran). Dobri rezultati se postižu ako posmatrač mora
da zaokruži jednu tvrdnju koja najbolje i drugu koja najlošije opisuje posmatrano
ponašanje.
Protokol posmatranja predstavlja listu defmicija ponašanja i način njihovog
beleženja. Primer jedne kratkc defmicije agresivnogponašanja je; „Blago ponaša-
nje obuhvata svako negodovanje i odbijanje zadatka. Teško ponašanje obuhvata
svaki pokušaj agresije kao što su povređivanje, samopovredivanje ili uništavanje
stvari”. Ako se ispituje agresivno ponašanje prema terapeutu, defmicije agre-
 sivnog ponašanja mogu biti višestruke, npr.: „Grizenje - stvamo ili pokušano
sklapanje gornje i donje viiice oko bilo kog dela tela terapeuta.”, „Guranje -
snažno pokretanje terapeuta uz pomoć ruku ili ramena.” ili „Pljuvanje - stvamo
ili pokušano izbacivanje pljuvačke u pravcu terapeuta.”
Sto se tiče načina beleženja ponašanja, posmatračima treba dati detaljna
uputstva kako da koriste zapisnik posmatranja i pomoćne uređaje (to se mora i
praktično izvežbati tokom obuke). Treba im odrediti i mesta odakle posmatraju,
uputiti ih kako da se odnose prema posmatranima, kako da se odluče ukoliko se
istovremeno desi više jedinica ponašanja i sl. Vrlo je korisno ako istraživač sam,
nakon što pripremi protokol i zapisnik, isproba procedum.
Uzorkovanje osoba, uzorkovanje dogadaja i uzorkovanje vrem ena.-
Probem nastaje kada su jedinice ponašanja kratke, kada se javljaju sa velikom
učestanošću i kada se posmatranje vrši na čitavoj gmpi odjednom. Posmatrač
neće stići da izrši složene operacije zapisivanja kao što su popunjavanje skala
procene. U tom slučaju se pribegava uzorkovanju. Mogu se izdvojiti samo neke
osobe u grupi koje će se pratiti sve vreme -- uzorkovanje osoba. Pod uzorkova-
njem događaja se podrazumeva da se posmatraju i beleže samo odredeni događaji,
kao što su npr. svađe, ustajanje sa stolice, zajedničko smejanje itd. Uzorkovanje
vremena se sastoji u podeli vremena na segmente i vođenju zapisnika samo u
određenim segmentima, recimo svakih 15 sekundi u petominutnim periodima,
tokom dva sata. Uzorci mogu biti ređi ili češći, mogu biti fiksni ili slučajni i mogu
trajati kratko (samo jedan trenutak) ili nešto duže. Ovaj se nacrt posmatranja
mnogo lakše sprovodi uz pomoć računara.
Dva osnovna podatka koja se najčešće prikupljaju tokom posmatranja
ponašanja su frekvencija pojavljivanja i tvajanje (i Ijubav se može izmeriti tako
što će se zabeležiti broj i trajanje pogleda). Najbolji način da se evidentiraju oba
aspekta je vremensko uzorkovanje, u kome se cela seansa posmatranja (recimo 30
do 45 minuta) izdeli na kratke intervale od 5-20 sekundi. Nakon toga, uz pomoć
štoperice (ili nekog dmgog tajmera), upisuje se „štrihla” u svakom intervalu u
kome postoji odredeno ponašanje. Tako se može odrediti kada se ponašanje
javljalo i koliko je trajalo. Nažalost, tim metodom se ne mogu snimiti sve
potrebne varijante, recimo koliko često i koliko dugo dete diže pogled sa sveske
i gleda okolo. Zato postoje modifikacije telmike kratkih intervala koje su opisane
kod Bailey i Burch (2002).
Obavljeno je niz istraživanja koja su imala za cilj da evaluiraju različite
načine uzorkovanja i beleženja posmatranja. Po svemu sudeći, ako je ponašanje
visokofrekventno i kratkotrajno, uzokovanje vremena daje dobre rezultate.
Takode, ako želimo da posmatramo celu gmpu (recimo decu koja traže ili zahte-
vaju neku stvar od drage dece), možemo u svakom vreinenskom intervalu beležiti
jednu osobu, pa sledeću, sve dok opet na red ne dođe prva. Kod retkih i
dugotrajnih ponašanja (npr. koliko dugo dete sedi a koliko stoji), ili kod složenih
ponašanja, izgleda da je bolje kontinualno posmatranje ili barem posmatranje sa
dužim uzorcima vremena.
 C. Učesničko posmatranje

Učesničko posmatranje se obavlja u „prirodnoj” sredini objekata posma-

tranja i istraživačpostajeprivremeni član te sredine. Cilj učesničkog posmatranja
je da se razume funkcionisanje tog mesta i Ijudi u njemu sa njihovog stanovišta.
Ova metoda prikupljanja podataka je posebno dobra za studiranje različitih inter-
akcija u okruženju neke ustanove. N a primer, u okruženju gde žive Ijudi koji su
smanjeno sposobni da se verbalno izraze, na primer zbog kognitivnih oštećenja,
učesničko posmatranje može biti posebno jako omde.
Mnogi smatraju da je učesničko posmatranje varijanta neposrednog posma-
tranja i u tome imaju pravo. Ipak, učesničko posmatranje se razlikuje od nepo-
srednog posmatranja u raznim aspektima. Kao prvo, neposredni posmatrač u
principu ne nastoji da postane učesnik u pojavi koju posmatra. Naprotiv,
neposredni posrnatrač nastoji da što manje ometa i utiče na pojavu kako ne bi
došlo do iskrivljavanja ponašanja. U neposrednom posmatranju posmatrač ima
distanciranu ulogu, on posmatra a ne učestvuje. Shodno tome, može da koristi
razna tehnička pomagala, kao što su video kamere, ili može da posmatra kroz
poluprovidna ogledala. Zatim, neposredno posmatranje je obično više usred-
sređeno na problem od učesničkog, je r istraživač sam odabira neki uzorak vreme-
na, situacija ih učesnika koje će posmatrati. U učesničkom posmatranju on mora
biti stahio prisutan i stahio uključen u dešavanja. Takođe, u opštem slučaju,
neposredno posmatranje ne traje tako dugo kao učesničko. Na primer, istraživač
koji žeh da proučava neverbalne interakcije majke i deteta ne mora da ode da živi
u nekim porodicarna, nego može da formira odgovarajuću laboratorijsku po-
stavku, da angažuje dobrovoljce i da gledajući kroz poluprovidno ogledalo prati
neverbalne znakove koji se koriste.
Učesničko posmatranje je, spolja posmatrano, jednostavna metoda; uključi-
vanjem i saživljavanjem sa predmetom proučavanja istraživač pretpostavlja da će
unaprediti razumevanje pojave, više nego što bi mogao sa, recimo, anketnim
upitnikom. lako izgledajednostavna i iako su njeni osnovni principi jednostavni,
metoda učesničkog posmatranja je jedna od najzahtevnijih za istraživača. Naime,
ona zahteva da istraživač (postnatrač) postane sudionik u kultm'i, giiapi, ustanovi
koje posmatra. Svaki od tih konteksta nameće posebna pravila koja se moraju
poštovati da bi posmatrač dobro obavio svoj posao. Učestvovanje mora biti
stvamo; u ideahiom slučaju posm_atrač rnora da nauči žargon, pa čak i jezik, da se
potpuno konformira, nauči običaje, živi na mestu koje posmatra itd. Učesničko
posmatranje često zahteva mesece ili godine intenzivnog rada jer istraživač mora
biti prihvaćen kao prirodan deo kulture kako bi bio siguran da se pojava koju
posmatra odvija u svom prirodnom obliku.
Učesničko posmatranje je karakteristična metoda za etnološka istraživanja,
tokom kojih se etnolog uključuje u kulturu koju proučava, živi sa njom i po
pravilu produkuje obiinnu dokumentaciju, dnevnike i zabeleške. Kao u „uteme-
Ijenoj teoriji”, nema unapred određenih ograničenja šta će se posmatrati i nije
defmisan kraj studije.
U terenskim istraživanjima se takođe često koristi učesničko posmatranje.
Ideja je da istraživač ,,ode na teren” da bi posmatrao pojavu u njenom prirodnom
okruženju - in situ. Na primer, to mogu biti sportske utakmice i navijačke grupe,
ili studentski domovi. I u ovom slučaju terenski istraživač pravi obimne zabeleške
koje se kasnije kodiraju i analiziraju na različite načine,
Pristalice fenomenološke paradigme naglašavaj u da posmatrač treba da vodi
računa i da zapisuje svoj vlastiti položaj i ulogu u grupi u trenutku nekog doga-
đaja (podsetimo da je, po fenomenolozima, empatija jedan od suštinskili zadataka
posmatrača). Prirodno je da se njegova uloga vremenom menja i da ukupno
ponašanje grupe može biti različito, ali može biti i različito percipirano dok je
istraživač još došljak i kasnije kad postane deo te grupe.
Kroz učesničko posmatranje treba registrovati kako pripadnici grupe
opažaju pojave u grupi i u njihovoj okolini, a ne kako posmatrač to opaža. Vrlo je
korisno da se registruju reakcije na protivrečne okolnosti, sukobe, razlike unutar
grupe, specifičan rečnik, terminologiju i pojmove koje ima grupa. Na primer,
koristeći tzv. mapiranje pojmova (eng. concept mapping) ih mapiranje defmicija,
posmatrač može već samo na osnovu žargonskih izraza i njihovih defmicija
(značenja) da otkrije društvenu strukturu grupe. Npr., posmatrač mora da otkrije
značenje pojmova kao što su bolidi, dileje, matorci, profesori, bicikhsti i sl. da bi
na osnovu toga mogao da defmiše strukturu grupe, medusobne percepcije, status
i odnose.
U principu, a to važi za sve metode, posmatrač mora maksimalno da isko-
risti mogućnosti koje mu pruža upravo ta metoda; da sagleda ponašanje grupe iz
što više različitih uglova, u kontekstu u kome se odvija.
Sama metoda ne sprečava da se kvantifikuje što više i sve što je moguće. Na
primer, mogu se prebrojavati događaji i Ijudi i meriti vremena kako bi se eviden-
tirali trendovi. Mogu se koristiti kontrolne liste za posmatranje i standardizovane
skale procene. Tokom posmatranja se mogu intervjuisati ili na drugi način
ispitivati neki reprezentativni uzorci članova grupe da bi se dobili kvantitativni
podaci o mišljenjima i drugim njihovim osobinama. Na primer, ako se posmatra
neki dom ili internat, da bi posmatrač mogao da defmiše dominantni sklop dru-
štvenih pravila i normi on može izvući slučajan uzorak najstarijih pitomaca,
obaviti razgovor sa njima i naći „srednje rešenje”.
Za kasniju analizu prikupljenog materijala, snimaka i beležaka (koji mogu
biti vrlo veliki) najbolje je da se koristi bilo koja vrsta anahze teksta i analize
sadržaja,
U pogledu izbora posmatrača, njegovih osobina i uopšte problematike
njegove uloge kao učesnika pisano je dosta. S obzirom na prirodu metode,
posmatrača ima malo, vrlo često samo jedan, koji je istovremeno i istraživač.
Nesumnjivo je da njegove osobine utiču na mogućnosti njegove inkorporacije u
milje koji posmatra. Recimo, neka naša iskustva iz posmatranja grupa navijača.
koja su vršena sa ciljem da se upozna ta potkultura i potencijalni izvori nasilja,
govore da muškarci koji idu na put sa navijačima i snimaju ili zapisuju njiliovo
ponašanje mogu postati predmet agresije. Nasuprot tome, žene neutralnog
odevanja i ponašanja mogu biti žrtve neukusnih dobacivanja, ali retko otvorene
agresije. Ponašanje Ijudskih grupa je veoma slično ponašanju svih primata; u
početku postoji veliko nepoverenje prema strancu, a kako vreme odmiče, i kada
se ustanovi da stranac nije opasan, mogu se razviti prijateljski odnosi.
Argumenti u prilog učesničkom posmatranju su to što se podaci prikupljaju
iz prve ruke - direktno, a metoda se pri tome oslanja na jednostavne i jeftine
postupke. Dobijeni podaci su detaljni, bogati uvidom, kontekstualni i ekološki
valjani. Argumenti protiv ove metode su nedostatak objektivnosti, nesistematsko
prikupljanje podataka, moguć i verovatan uticaj posmatrača na posmatrano
ponašanje, verovatna nemogućnost ponavljanja i, pre svega, teškoće beleženja
posmatranog.
Za prikupljanje podataka, pravljenje i čuvanje zabeleški iz učesničkog
posmatranja, kao i za načine analize tih podataka postoje brojne preporuke u
literaturi. Neke od tih tehnika će ovde biti spomenute u okviru drugih metoda
(posmatranje, analiza sadržaja, utemeljena teorija i sl.). Medutim, beleženje
podataka je generalno problematično, pogotovo ako je učešće inkognito, i vrlo
često se obavlja uveče, kad je istraživač sam.
Socijalni psiholog Leon Festinger se sa saradnicima priključio jednom kultu i vršio
učesničko posmatranje tokom dva meseca pred i mesec dana iza datuma kada je vođa
kulta predvidela da će biti kraj sveta. Svojim sledbenicima ona je rekla da je dobila pisanu
poruku od vanzemaljaca da će tog dana, pred zoru, poplava obuhvatiti ceo kontinent.
Međutim, ona je našla rešenje za njih tako što će tačno u 16 sati prethodnog dana leteći
tanjiri sleteti u njeno dvorište i odvesti „izabrane” na drugu planetu. Nekoliko dana pre
rečenog datuma, mnogi članovi kulta su dali otkaz i potrošili uštedevinu. U predviđeno
vreme čekali su leteće tanjire sa kaputima u rukama, ali leteći tanjiri nisu došli, niti je bila
propast sveta. Unatoč tome, oni nisu izgubili veru, nego su ceo događaj protumačili kao
„vežbu” za stvarno spasenje. Ovo istraživanje je, izmedu ostalih, Festinger iskoristio za
stvaranje svoje teorije kognitivne disonance, koja kaže da Ijudi nastoje da zadrže svoja
uverenja, čak i ako su očigledno pogrešna, tako što smišljanju novu argumentaciju za njih.

Inkognito učestvovanje. - U literaturi se sreću različiti nesporazumi i

nesuglasice oko toga da h istraživač-posmatrač treba javno da učestvuje, ih može
biti prisutan inkognito ukohko smatra da ga Ijudi u zajednici ne bi prihvatiU, ili bi
izmeniU ponašanje zbog njegovog prisustva. Neki čak podrazumevaju da je
učesničko posmatranje inkognito.
Inkognito učestvovanje je pogodno jer se eliminiše interakcija posm atrač-
posmatrani, a ponekad je to i jedini način kada grupa ne bi prihvatila istraživača
(npr. posmatranje kriminalnih grupa). Međutim, u tom slučaju je veoma teško
sprovesti postupke posmatranja i registrovanja ponašanja, a nameću se i moralna
pitanja. Na primer, istraživač može doći do saznanja da grupa priprema neki
protivzakonit akt. U tom slučaju on može posmatrati, a ne mora učestvovati, ili
može učestvovati samo jednom, pa se povući, ili može i posmatrati i učestvovati
stalno. Tajno posmatranje može ugroziti privatnost posmatranih. Poznato je
istraživanje u kome se istraživač sakrivao pod krevete u studentskom domu da bi
čuo šta stTidenti razgovaraju između sebe. S dmge strane, posmatrač koji učestvu-
je inkognito može biti izložen ozbiljnoj opasnosti ukoliko se njegova uloga
otkrije.
Postoje i varijacije u pogledu stepena tajnovitosti posmatranja. Recimo,
samo neki članovi grupe mogu znati za posmatrača, obično oni koji su odobrili i
pripremili njegovo prisustvo, a dnigi ne. Ili, posmatrač može biti javno prisutan u
grupi, ali da ostali članovi grupe ne znajuprave ciljeve istraživanja.
Posmatrač može biti redovan član kolektiva, ali angažovan da sprovede
posmatranje. Može biti prisutan kao privremeni član, recimo kao nastavnik na
zameni. Međutim, od posmatrača se očekuje da ostvari distancu prema grupi kako
bi mogao biti objektivan.
Uglavnom, postoji niz prelaza i nijansi između prirodnog i učesničkog
posmatranja. Recimo posmatranje može početi kao neposredno, pa preći u
inkognito učesničko, pa na kraju u javno učesničko (nakon što članovi steknu
poverenje u istraživača).
Povezana sa pitanjem javnog ili tajnog učestvovanja su moralna pitanja u
odnosu na ispitanike. Tamo gde je moguće, od ispitanika treba dobiti informisanu
saglasnost, a tamo gde nije moguće, sa ispitanicima treba obaviti izlazni intervju.
Otkrivanje uloge posmatrača može ostaviti negativne emocije kod ispitanika, a
može ugroziti i posmatrača. Zato treba razmotriti pitanja minimalnog rizika i
obaviti analizu gubitaka i dobitaka.

D. Psihološko testiranje

Prvo i najvažnije što treba reći je da je oblast psihološkog testiranja isuviše

obimna za iole detaljniji prikaz. Ni u samoj psihologiji ne postoji neka zasebna
oblast koja se time bavi, nego svaka grana psihologije ima svoje testove, svoj
pristup i metode testiranja. Postoji jedna grana psihologije koja je posvećena
konstrukcijipsiholoških mernih instrumenata - psihom etrija. Psihometrija se ne
bavi Ijudima, nego testovima, i zato u tipičnim udžbenicima psihometrije nema
podataka o specifičnim.testovima, njihovom načinu primene i normama (Nun-
nally i Bemstein, 1994, Rust i Golombok, 1999).

1. Definicije testa

Osnovna defmicija testa je da je to psihološki merni instrument. Ta

defmicija je kohko jednostavna, toliko i kvalitetna. U njoj se spominje naučna
 disciplina u kojoj se primenjuje i spominje se merenje kao suština postojanja i
primenjivanja testa.
Skoro analogna defmicija je ta da je test sredstvo za utvrđivanje individual-
nih razlika. U uvodnim poglavljima o teoriji merenja videli smo da je suština
merenja ponašanja upravo u registrovanju individualnih razlika.
Mnogo detaljnija defmicija testa je da je to standardizovani postupak za
izazivanje određenog ponašanja pomoću proverenih draži na osnovu koje se
ispitanici porede po osobini koja je predmet merenja.
Izraz „standardizovani postupak” ukazuje na jednu vrlo važnu stvar: sve što
se tiče jednog testa mora biti jednako za sve ispitanike na kojima se primenjuje.
Tuspadanačin zadavanja (npr. grupno-individualno), uputstvo koje se čita ispita-
nicima, redosled ajtema, format ajtema, način ocenjivanja testa, način tumačenja
dobijenog skora i sve druge stvari koje mogu biti relevantne za neki test. Gene-
ralno rečeno, baš ništa u testu se ne sme menjati, ništa se ne sme izostaviti i ništa
se ne može dodati (ipak, treba pogledati poglavlje o računarskom adaptivnom
testiranju).
Izraz „izazivanje određenog ponašanja pomoću proverenih draži” označava
jednu opštu psihološku paradigmu da je svako ponašanje reakcija na draž, zatim
da mi ciljno, namemo i sistematski pomoću testa izazivamo odredena ponašanja i
to pomoću draži koje su proistekle iz složenog postupka konstrukcije testa.
Praktično, draži su u ovom kontekstu stavke testa.
Izraz „porede po osobini” izražava jedan važan stav koji je istaknut u
uvodnimpoglavljima u teoriji m e re n ja -u društvenim naukama uopšte poredakje
optimalan cilj merenja (I Kembelov zakon merenja). Naravno, psiholozi čine sve
da psihološko merenje učine kvantitativnim, odnosno da ispitanikkoji dobije skor
20 bude isto toliko udaljen od ispitanika koji je dobio skor 15, kao što su
medusobno udaljeni ispitanici sa skorovima 30 i 35 (što je svojstvo intervalne
skaie).
Treba obratiti pažnju da se na skoro identičan način mogu defmisati i sve
dmge metode kojima se prikupljaju podaci o individualnim razlikama, dakle na
sve merne instmmente u naukama o ponašanju.

2. Vrste testova

Da bismo pomenute defmicije testa učinili jasnijim, prikazaćemo neke

osnovne podele psiholoških testova.
Testovi ličnosti - testovi sposobnosti. - Ovo je jedna veoma značajna
razlika. Tu razliku neki formulišu kao razliku između testova tipične aktivnosti i
testova maksimalne aktivnosti, a neki dmgi kao razliku između testova unutraš-
njeg ocenjivanja i testova spoljnog ocenjivanja. O čemu se tu radi? Testovi
ličnosti, u principu, žele da otkriju kakva sa ispitanikova tipična ponašanja,
tipična razmišljanja, zebnje ili stavovi. Pri tome, ocenu o tome daje sam ispitanik;
on na pitanje: ,,Da U često razmišljate o greškama u prošlosti?” daje odgovor na
osnovu samoprocene vlastitog ponašanja. Međutim, ako mu se postavi pitanje
kao što je: (3* + 5)/(7 x ci)=5, a umesto praznog kvadrata treba umetnuti jedan od
ponuđenih brojeva: 0, 1, 3, 5, onda se ispituje koliko maksimalno niože da
postigne ispitanik (a ne tipično) u sferi numeričke inteligencije. Pri tome, tačnost
njegovog odgovora ne ocenjuje on sam, nego psiholog koji ocenjuje test.
Značaj razlike se ogleda u tome što je kod ocenjivanja testova sposobnosti
situacija „mnogo čistija”. Traži se maksimalni učinak, a odgovore ocenjuje
psiholog. Objektivnost ocenjivanja je očigledno principijelno veča nego kad ispi-
tanici prvo ocenjuju šta znači „često” ih „retko”, a zatim ocenjuju da li oni spa-
daju u „često” ih u „retko” .
Stavke (ajtemi) u testovima sposobnosti se obično nazivaju zadacima, a
stavke u testovima ličnosti pitanjima.
Neki autori vide u testovima hčnosti, odnosno testovima koji se zasnivaju
na samoproceni, metodološki kontrapunkt neposrednom posmatranju - posma-
tra n je samog sebe, tj. introspekeiju.
V erbalni testovi - neverbalni testovi. - Verbalni testovi sadrže pitanja i
zadatke koji su formuhsani prirodnim jezikom. Neverbalni testovi sadrže pitanja
i stavke koji su grafički ili numerički. Naravno, nema potpuno neverbalnog testa
- tu su uputstva, vežbe, nibrike za upisivanje ličnih podataka i sl.
Testovi pap ir-o lo v k a - testovi izvođenja. - Papir-olovka testovi su, kao
što im naziv kaže, odštampani na papiru i odgovori se daju upisivanjem. Testovi
izvodenja se često nazivaju test aparatima. To su uredaji, manje ili više složeni, a
danas vrlo često računarski kontrolisani, ili neki predmeti (kao što su kocke)
čijom manipulacijom ispitanik ispoljava svoje osobine i sposobnosti.
S tru k tu risan i testovi - n estrukturisani testovi. - Ova razlika se u pri-
ličnoj meri poklapa sa nekoliko drugih dimenzija razlikovanja: objektivni iestovi-
subjektivni testovi, neprojektivni testovi-projektivni testovi, testovi sa pred-
loženim odgovorima-testovi sa slobodnim odgovorima. Strukturisani testovi se
sastoje od stavki koje su jasne; pitanja su jasno postavljena, a za odgovore je
nedvosmisleno kakvi treba da budu, ili je čak ponuđen jedan manji skup mogućih
odgovora, izmedu koji ispitanik bira jedan. Ove testove je lako oceniti (objek-
tivnost), a sve je učinjeno da svi ispitanici jednako shvate šta pitanje ili zadatak
znače i kakav može da bude njihov odgovor.
Kod nestrukturisanih testova pitanja su postavljena nejasno, pa čak to
uopšte ne moraju biti pitanja, nego neke slike ili situacije koje ispitanik mora da
komentariše (stavke u takvim testovima su, u psihološkom rečniku, draži).
Odgovori takođe nisu ničim diktirani, osim što psiholog traži od ispitanika da
reaguje na ajteme. Pošto su stavke i odgovori nejasni, svaki ispitanik može da ih
shvati na svoj način. U psihologiji se to kaže da se ispitanik „projektuje”,
odnosno da stavkania testa pridaje značenje u skladu sa svojim skrivcnim
željama, porivima, strahovima i konfliktima. Po pravilu, odgovori na nestruk-
turirane, odnosno projektivne testove su slobodni, otvoreni, pa postoji opasnost
darazličiti ocenjivači daju različite ocene testa (neobjektivnost). Naravno, projek-
tivni testovi su testovi ličnosti i najčešće se koriste u kliničkoj psihologiji. U
javnosti su poznate obične mrlje od obojenog mastila čiji autor je Herman
Rorscliach, zatim Test Tematske Apercepcije (TAT) koji sadrži shke sa neutral-
nim sadržajem (npr. dečak sedi na stepenicama), Test nedovršenih rečenica (npr.
Moja majka j e ___________^) itd.
Čitalac će uočiti da se strukturisani testovi potpuno uklapaju u kvantitativnu
perspektivu, a nestrukturisani testovi u kvalitativnu. lako se psihološko testiranje
tradicionalno tretira kao kvantitativna metoda, projektivni testovi bacaju na to
odredenje drukčije svetlo.

G rupni tcstovi - individualni tcstovi. - Malopre spomenuti projektivni

testovi su skoro uvek individualni testovi. To znači da ih psiholog zadaje jednom
ispitaniku u svojoj ordinaciji. Grupni testovi su obično testovi sposobnosti, papir-
olovka testovi i strukturirani testovi. Grupni testovi se po pravilu mogu zadavati
individualno, dok se individualni testovi ne mogu zadavati grupno. Za neke od
individualnih testova postoji modifikovana verzija koja može da se primenuje
grupno.
Testovi brzine - testovi snage. - Ova podela se odnosi na testove
sposobnosti. Idealan brzinski test se sastoji od vrlo lakih stavki, koje svi ispitanici
mogu da reše, ali je vreme rešavanja testa ograničeno. Kod testova snage zadaci
su poredani od lakših ka težim, najlakše mogu da reše skoro svi ispitanici, a
najteže samo vrlo retki. Vreme rada nije ograničeno.
U praksi ne postoje takvi idealni testovi; nema tako lakih zadataka koje
mogu svi da reše (osim trivijalnih, koji ne mere ništa) i nema testova kod kojih je
vreme rada neograničeno (iz praktičnih razloga). Važno je znati da kod testova
brzine postoji priličan problem odredivanja memih karakteristika.
Osim ovih podela postoji još izvestan broj drugih podela za koje se čini da
u ovom kontekstu nisu od značaja.

3. Delovi testa

Kroz tumačenje tipova testova spomenut je osnovni deo testa: stavka, ajtem
ili čestica. U testovima ličnosti to je jedno pitanje, a u testovima sposobnosti to je
jedan zadatak. Stavke u psihološkim testovima imaju vrlo različite fonnate. Sve
stavke se sastoje iz stabla stavice i lcategorija ili alternativa, odnosno mesta za
odgovore (Fajgelj, 2005).
F orm ati stavld. - Može se razlikovati a) format ocenjivanja stavke i b)
fonnat zadavanja stavke. Po fonnatu ocenjivanja, stavke se dele na tri osnovna
formata: binami-dihotorrmi, nominalni i ordinalni. Dihotomno se stavke ocenjuju
obično kao tačno-netačno, nominalno tako da svaki odgovor dobije svoju
oznaku/numeral, a ordinalno tako da se odgovori rangiraju po nekom svojstvu.
Što se tiče formata zadavanja, ili prezentiranja, stavke se mogu deUti na više
načina. Recimo, na verbalne, neverbalne, računske, grafičke, otvorene, zatvorene,
ikoničke, manipulativne itd. Kada je reč o verbalnim, štampanim testovima,
stavke se po načinu prezentiranja dele na: a) dihotoiTine, b) politomne i c) stavke
sa otvorenim ili konstruisanim odgovorima, Politomne stavke se, opet, mogu
podeliti na: a) pitanja sa višestrukim izborom (PVI) i b) pitanja sa uređenim ili
ordinalnim kategorijama,
Na binarne ili dihotomne stavke se može odgovarati samo na dva načina:
tačno-netačno, da-ne, ili nekim sličnim izborom izmedu dve mogućnosti. Pitanja
sa višestrukim izborom - PVI, su nadaleko poznata iz testova postignuća (znanja)
i sastoje se iz stabla koje je obično formulisano kao upitna rečenica i tri ili više
kategorija od kojih je jedna najtačnija, a ostale se nazivaju distraktorima.
Vrlo čest i poznat fo m at stavki iz verbalnih testova ličnosti je sa tzv.
uređenim (ordinalnim) kategorijama. U glavi o merenju stavova prikazane su
Likertove skale koje sadrže stavke sa ordinalnim kategorijama. Danas se za sve
stavke koje imaju evivalentan format kaže da su Likertove, bez obzira da li služe
merenju stavova ili ne. Verovatno najčešća verzija stavki u Likertovom formatu
ima 5 kategorija-ahemativa, označenih numerički sa I do 5, a tekstualno sa:
„uopšte se ne slažem”, ,,ugIavnom se ne slažem”, „neodlučan sam”, „uglavnom se
slažem” i „potpuno se slažem”. Jednu od ovih kategorija bira ispitanik kao svoj
odgovor na stablo stavke koje je formulisanu u vidu tvrdnje: npr. „Više volim da
pročitam dobru knjigu nego da uveče izađem sa društvom” ili „Ono što je ovoj
zemlji najviše potrebno to je par odlučnih vođa”. Broj kategorija nije uvek pet,
nego se kreće od tri do najviše deset (jer ogromna većina ispitanika ne može da
razhkuje više od nekoliko stepeni svojih osećanja). Ako postoji neparan broj
altemativa, onda srednja (neutralna) označava srednje prisustvo osobine koja se
meri. Nažalost, ispitanici biraju tu kategoriju i kada ne žele ili ne znaju da
odgovore, pa se ponekad pokušava da se eliminiše srednja kategorija tako što se
odabira paran broj kategorija, kako bi se ispitanici prisilili da „zauzmu stav”, ili
tako što se uvodi posebna kategorija „ne znam” i/ili ,,ne želim da odgovorim”.
U testovima sposobnosti broj fomiata stavki je ogroman; kao što je jedan
psiholog konstatovao, samo inteligencija konstmktora testa ograničava format
stavke u testu inteligencije, Vrlo često se koriste foraiati tipa analogija (mačka :
miš = zmija : ________ ) i tipa popunjavanja nedostajućeg elementa (1, 3, 5,
_____ ), Ovi poslcdnji mogu biti u verbalnoj, numeričkoj ili grafičkoj varijanti.
kada se često nazivaju zadacima kompletiranja matrice, npr.:

1 3
18
15 25 o
23 8
12
 Pored stavki, test može da sadrži i podtestove (subtestove), koji
predstavljaju grupe ajtema koji mere istu stvar. Kad test ima podtestove, onda on
obično meri više stvari (npr. ekstraverziju, neurotičnost i impulsivnost).
Kod svih testova je veoma važno uputstvo za odgovaranje. Uputstvo za
odgovaranje mora biti odštampano na samom testu i administrator testa (osoba
koja test zadaje) ga mora pročitati takvo kakvo je. To je važno zato da bi svi
ispitanici, uvek, dobili jednako uputstvo. Značaj dobrog uputstva je posebno
važan za testove sposobnosti. Osim uputstva, testovi sposobnosti po pravilu imaju
i deo zaprim er i deo za vežbu. To su jednostavni zadaci na kojima se demonstrira
način odgovaranja (primer) i na kojima se proverava da li su ispitanici razumeli
šta se od njih traži (vežba).
Ukupan skor testa je po klasičnoj testnoj teoriji (koja danas ima jaku aher-
nativu u tzv. teoriji ajtemskog odgovora - TAO) zbir odgovora na pojedinačnim
stavkama. Ako su stavke u tzv. binamom formatu (tačno-netačno, kakva je
većina stavki u testovima sposobnosti, ih da-ne), onda je to prosto broj tačnih
odgovora, odnosno broj pozitivnih odgovora. Ako su stavke u formatu „potpuno
se siažem - uopšte se ne slažem”, a altemative nose brojeve (ocene) 1, 2, 3,...,
onda ukupni skor čini zbir ocena sa svake stavke.

4. Konstrukcija testa

Tokom konstrukcije testa postoji jedan iterativni proces u kojem se obično

počinje od neke teorije (npr. teorije ličnosti) koja defmiše i opisuje osobinu koju
želimo da merimo. Iz teorije se zatim izvlače konzekvence koje ta teorija predvi-
đa u ponašanju Ijudi koji poseduju tu osobinu. Ova opšta ponašanja o kojima
govori teorija (recimo da se voli dmštvo, da se ne odustaje od svog mišljena itd.)
nazivaju se indikatorima (v. glavu o varijabli) i dalje se konkretizuju sve dok se
ne svedu na stavke koje se mogu prezentirati ispitanicima.
Skup tako nastalih stavki, obično znatno veći od broja koji će konačno ući
u test, zadaje se uzorku ispitanika. Dobijeni podaci, koji su u obliku matrice
„ispitanici x stavke”, podvrgavaju se postupku ajtem analize tokom koje se
utvrđuju merna svojstva kako svih ajtema pojedinačno, tako i testa u celini.
Ajtemi koji imaju loša merna svojstva se odbacuju, a oni koji imaju dobra
merna svojstva se zadržavaju. U toj fazi se proverava i validnost čitavog testa,
kao i validnost svake stavke ponaosob, kako bi se videlo da h sve stavke imaju
zajednički predmet merenja (zajedničko jezgro) i da h je taj predmet ono svojstvo
koje smo želeli da merimo. Ova vrsta valjanosti se obično naziva konstmktivnom
i najčešće se proverava faktorskom ajtem analizom.
Osim valjanosti, u fazi konstmkcije testa se ispituje i pouzdanost stavki i
ukupnog skora testa. Najčešće je to pouzdanost inteme konzistencije iskazana
preko koeficijenta pouzdanosti koji se zove Cronbachova alfa.
 Ako valjanost i pouzdanost nisu zadovoljavajuči, najverovatnije će
celokupan test morati pretrpeti reviziju - počevši od polaznih teorijskih osnova,
preko izbora ponašanja, pa do konkretizacije stavki.
Konačna fonna testa se može ponovo administrirati na uzorku ispitanika
kako bi se proverila ispravnost zadržanih ajtema i prethodnih zaključaka o
pouzdanosti i valjanosti (recimo, odbacivanjem nekih ajtema, bez obzira što oni
nisu imali dobre metrijske karakteristike, ajtcmi koji su ostali mogu promeniti
svojstva).
U zadnjem koraku konstrukcije testa se odreduju norme testa. Za odrediva-
nje normi testa je vrlo važno da uzorak na kome su prikupljeni podaci (tzv. nor-
mativni uzorak) bude reprezentativan za populaciju kojoj je test namenjen. Norme
testa imaju zadatak da dalje doprinesu standardizaciji postupka testiranja i da
izjednače sve ispitanike s obzirom na ocenjivanje testa i intepretaciju testnog
skora. Dakle, ako su dva ispitanika odgovarala jednako (ekvivalentno) oni moraju
dobiti jednak (ekvivalentan) skor i visina njihove osobine koja je merena mora
biti ocenjena jednako. Normiranje testa se naziva još i baždarenjem.
Na primer, to znači da ako su obojica rešila po 30 zadataka nekog testa,
obojica će dobiti skor 30 i to će značiti da se nalaze na, recimo, 75-om percentilu,
što će reći da u populaciji (pošto je normativni uzorak bio reprezentativan) postoji
75% Ijudi koji su lošiji od njih i 25% Ijudi koji su bolji. Norme se ne moraju
prikazati u obliku percentila. Poznate su tzv. IQ norme kod testova sposobnosti
(IQ skala ima artimetičku sredinu 100 i standardnu devijaciju 15), a mogu se
koristiti i z-skorovi (videti glavu o statistici), T-skorovi, C-skorovi itd.
Često se cela faza konstrukcije testa tokom koje se odreduju mema svojstva
testa i norme testa naziva standardizacijom testa. Poznato je da testovi menjaju
svojstva tokom vremena, iz raznih razloga, a moguće su i greške i pristrasnosti
tokom standardizacije testa. Zato se testovi podvrgavaju naknadnim proverama i
restandardizacijama. Ako se preuzme test iz nekog drugog jezika, on se nakon
prevoda (ako je verbalni) mora tretirati kao novi test i proći sve faze konstrukcije.
Neverbalni testovi mogu biti manje kritični, jer se ne prevode, ali je bogata
psihološka praksa pokazala da i grafički testovi zavise od kulture (npr. ako se
koristi silueta igrača skvoša, sva je prilika da u mnogim delovima sveta ona neće
biti prepoznata).

5. Modeli merenja i teorije testova

Memih svojstava, ili metrijskih karakteristika postoji mnogo. Koja svojstva

će biti izračunata i kako će biti izračunata, zavisi dobrim delom od mernog
modela koji je konstmktor usvojio prilikom konstmkcije i standardizacije testa.
Treba odmah reći da se modeli merenja ne odnose samo na psihološke testove,
nego i na sve druge meme instrumente čiji fomiat je ekvivalentan psihološkim
testovima (v. poglavlja o upitniku i intervjuu).
 Klasična testna teorija je počela sa Sir Charlesom Spearmanom 1904.
godine, kada je taj isti autor položio i temelje faktorske analize. Spearman je,
takođe, poznat kao autor g-faktora, odnosno opšteg faktora inteligencije. Klasična
testna teorija se zasniva na ukupnom skoru testa (tzv. sumacionom skoru) i na
podeli tog skora na dve komponente: pravi skor i skor greške. Ta podela skora se
obično naziva klasičnim modelom merenja i obično se piše kao:
Z = T + E. [20]
Ova podela ne važi samo za ukupni skor, nego i za sve druge dobijene
skorove i mere; od skora na pojedinačnoj stavki-pitanju, preko skora na podtestu
ili podskali, do skora na čitavom testu ili upitniku. Zato sc obično uvodi opšti
izraz indikator koji obuhvata sve ove delove testa ili upitnika. Iz statističke teorije
se zna da se dve varijable mogu sabrati samo ako se uzme u obzir i njihova inter-
korelacija, dakle varijansa zbira varijabli 6 i c bi bila cr^„=o^i, + + ^fbc^b'^c- S
obzirom da u gomjem klasičnom modelu nema izraza za kovarijansu varijabli T i
E, sledi jedna od najvažnijih pretpostavki klasičnog modela: greške nisu u korela-
ciji sa pravim skorom - r-j-^ = 0. Pored toga, postavlja se i pretpostavka da greške
raznih indikatora nisii međusobno u korelaciji - r^,^, ~ 0-
Ovaj maksimalno jednostavni model je i danas vrlo prisutan u psihometriji
i u svim naukama o ponašanju u kojima se konstruišu memi instrumenti sastav-
Ijeni iz stavki, pitanja ili zadataka. Iz njega je izvedena većina formula za određi-
vanje metrijskih svojstava stavki i memih instrumenata. Međutim, klasični model
ima dva značajna nedostatka: a) on je uvek tačan, kako bi rekli matematičari,
odnosno ne pruža nikakav način da se oceni koliki su T i £ i b) pretpostavke o
nekoreliranosti grešaka mogu eventualno da važe samo za „obične” greške mere-
nja (koje smo u glavi o individualnim razlikama nazvali pr\'im izvorom indivi-
dualnih razlika), dok su za sve druge izvore „neželjenih” varijacija nerealne.
Kako bi se ispravio jedan od ovih nedostataka, oba nedostatka, ih neki treći
nedostaci, odnosno kako bi se unapredilo merenje u psihologiji, ali i svim dru-
štvenim naukama u celini, tokom XX veka izmišljeni su mnogi novi modeli
merenja i teorije testova. Jedno od unapredenja klasičnog modela je model uzor-
kovanja iz domena (engl. domain sampling), koji pretpostavlja da su stavke koje
su odabrane za test samo uzorak iz univerzuma (domena) svih stavki koje mogu
da mere tu osobinu. Iz ovog m,odeIa su nastali modelLouisa Gutlmana, baziran na
njegovoj teoriji imaža, i teorija generalizabilnosti Lee Cronbacha.
Drugu polovinu XX veka društvenu teoriju merenja obeležio je razvoj tzv.
teorije ajtemskog odgovora - TAO (engl. Item Response Theory - IRT), koja je
dala iTinoga altemativna tumačenja pojmova, innoge nove načine izračunavanja
metrijskih svojstava i otvorila nove mogućnosti merenja u naukama o ponašanju
(Hambleton i sar., 1991).
TAO se najbolje može predstaviti putem karakteristične krive stavke ili
ajtema (KKS), ili krive ajtemskog odgovara (engl. Item Characteristic Curve -
ICC), prikazane na slici 5. Na slici je prikazan najjednostavniji slučaj stavke sa
binamim formatom. Na apscisi je visina merene osobine (označena sa 8), a na
ordinati verovatnoća da će ispitanici odgovoriti sa „tačno” ili „da” (označena sa
p). Vidimo da ispitanici koji imaju nizak nivo osobine imaju malu verovatnoću
tačnog odgovora, a oni koji imaju visoku osobinu će skoro sigumo odgovoriti
pozitivno. Formula za izračunavanje verovatnoće da će ispitanik i tačno odgovo-
riti na ajtem j (štoje označeno k a o ^ - 1 ) je:

[21]

i u psihometriji je poznat kao troparametarski logistički TAO model (Fajgelj,

2005). Ajtem čija je karakteristična krivulja prikazana ima nešto ispodprosečnu
težinu, Sj = -0,3.

Slika 5. Karakteristična krivulja stavke (KKS), odnosno kriva ajtemskog

odgovora.

Generalno, u matematici i statistici, krivulje koje imaju oblik kao na slici 5

se nazivaju ogivama ili sigmoidalnim krivama.

6. Merna svojstva stavki I testova

T ežina stavke. - Ovaj naziv se standardno koristi u psihometrijskom

žargonu i potpuno je tačan kada se radi o stavci iz testa spobnosti. Kod testova
ličnosti, ako pitanje glasi „da li mnogo čitate”, nije potpuno opravdano govoriti o
„težini stavke”, ali je ipak intuitivno jasno. Težina stavke se izražava verovatno-
ćom odgovora „tačno” ili ,,da” na biname stavke. Ako na reprezentativnom uzor-
ku 80% Ijudi odgovori sa „da”, onda će indeks težine stavke biti 0,80. Nažalost,
pažljivom čitaocu će odmali biti jasno da „težina stavke” zapravo označava
„lakoću stavke”, jer raste kako težina opada, što je još jedna protivrečnost u ovom
memom svojstvu.
Kod stavki koje nisu binam e je pitanje težine stavke nešto složenije. Npr. u
stavkama sa Likertovim formatom može se izračunati težina svake kategorije
(verovatnoća njenog izbora), a mogu se i sabrati verovatnoće pozitivnih i negativ-
nih kategorija. Takođe, pošto se za stavke sa višestrukima uređenim kategorijama
odgovora može reći da imaju svoj vlastiti skor, može se izračunati aritmetička
sredina odgovora svih ispitanika. Na primer, ako se radi o petostepenim stavkama
u Likertovom formatu, jedna stavka sa M =l,8 bi bila „teška stavka” jer se sa njom
retko ko slaže, a neka druga sa M=4,2 bi bila „laka stavka” jer se većina ispi-
tanika sa njom složila.
Težina stavke utiče na veliki broj drugih memih svojstava. Naime, ako je
stavka veoma „laka” ili „teška”, onda to za sobom povlači smanjeni varijabilitet
te stavke. Iz poglavlja o korelaciji i regresiji možemo zaključiti da varijable sa
smanjenim varijabilitetom (što se u psihometriji naziva restrikcijom opsega) ne
mogu da imaju visoke korelacije sa drugim varijablama. Pošto se veliki broj
memih svojstava stavki i testova bazira na interkorelacijama stavki i korelacijama
stavki sa ukupnim skorom testa, proizlazi da će stavke sa ekstremnim indeksima
težine verovatno imati loša mema svojstva.
U TAO se težina stavke defmiše položajem KKS za tu stavku na apscisi,
odnosno parametrom 5j (v. sliku 5).
Analogno težini stavke, može se defmisati težina celog testa. Težina testa se
najbolje uočava iz distribucije ukupnih skorova testa, ako je pozitivno asimetrična
test je lagan, a ako je negativno asimetrična, test je težak.
D iskrim inativnost stavke. - Diskriminativnost stavke je, generalno rečeno,
svojstvo stavke da razlikuje ispitanike sa niskim nivoom crte od onih sa visokim
nivoom crte. Stavka iz testa sposobnosti koju rešavaju podjednako neinteligentni
i inteligentni ispitanici, odnosno koju podjednako ne rešavaju ni jedni ni drugi je
primer potpuno neđiskriminativne stavke.
U klasičnoj teoriji testa se diskriminativnost najčešće izražava kroz korela-
ciju stavke sa ukupnim skorom testa, tzv. ajtem-total korelacijom. Ako se radi o
binamoj stavci, onda se tradicionalno koristi point-biserijalna korelacija, a za
stavke politomnog formata se uobičajeno koristi Pirsonov r. Point-biserijalna
korelacija je direktno izvedena iz Pirsonove (Hnearne iU produkt-moment) korela-
cije radi lakšeg ručnog računanja i te dve formule daju jednake vrednosti kada je
jedna varijabla dihotomna, a druga kontinuahia. Zato je bespotrebno računati bilo
šta osim običnog r.
Ranije su se koristili razHčiti dmgi pokazatelji diskriminativnosti, a i danas
se koriste (v. poglavlje o Likertovim skalama). Jasno je da po klasičnoj teoriji
testa postoji vrlo jaka veza između težine stavke i diskriminativnosti - vrlo lake
ih vrlo teške stavke slabo razHkuju ispitanike.
U TAO modeHma diskriminativnost se izražava nagibom krivulje
ajtemskog odgovora - ogive. Nagib je na sHci prikazan uglom aj. Što je ogiva
strmija, to stavka bolje razlikuje niske od visokih ispitanika. Stavka koja je
idealno (maksimalno) diskiiminativna bila bi stepenasta, a stavka kojoj je diskri-
minativnost nulta bila bi potpuno ravna - horizontalna.
Diskriminativnost testa se takođe najbolje uočava iz distribucije ukupnih
skorova. Leptokurtične distrubucije, zašiljene, imaju smanjenu varijabilnost i
slabo razHkuju ispitanike. Isto tako, jako nagnute distribucije, na jednu ih na
drugu stranu, takođe imaju oštećenu mogućnost razhkovanja ispitanika.
Preostala dva fundamentalna klasična mema svojstva; pouzdanost i
valjanost, biće objašnjena u zasebnim poglavljima.

7. Računarsko adaptivno testiranje

lako se o adaptivnim testovima govorilo i ranije, a neki su i postojali (npr.

poznata Binet-Simonova skala za testiranje dečje intehgencije je delimično
adaptivni test), pravu njihovu primenu su omogućili TAO modeli. Naime, kao što
se kasnije videti u poglavlju o pouzdanosti merenja, TAO modeli su otkrili „novo
pravilo merenja” po kome će test biti pouzdan ako se ispitanicima daju ajtemi koji
su po težini bliski nivou njihove crte.
Pretpostavka računarskog adaptivnog testiranja - KAT (engl. computer
adaptive testing ~ CAT) je postojanje banke podataka. Banka podataka j e skup
ajtema sa poznatim mernim svojstvima. U merna svojstva, kao prvo, treba
iibrojati težinu ajtema, zatim diskriminativnost, faktorsku valjanost, kao i druga
svojstva ajtema kao što su polna pristrasnost i oblast (ako se radi o testu znanja).
Nakon toga se može napraviti računarski program koji ispitaniku nudi na
odgovaranje ajtem po ajtem, i to tako da na osnovu nekog od TAO modela posle
svakog ajtema izračunava nivo sposobnosti (skor) ispitanika i daje mu onaj ajtera
koji je za tog ispitanika „srednje težak”, tačnije koji taj ispitanik ima 50% vero-
vatnoće da reši.
Izraz adaptivno proističe iz toga što se težina testa adaptira nivou osobine
kod ispitanike. Kao posledica toga, različiti ispitanici dobijaju razUčite stavke;
s\’ako rešava drukčiji test, pa čak i različite dužine. Adaptivni testovi su zato po
pravilu kraći i pouzdaniji od fiksnih, neadaptivnih testova.
Dosadašnja primena KAT-a je obuhvatila različite testove sposobnosti,
testove postignuća i testove podobnosti.

8. Nekoliko opštih komentara o psihološkom testiranju

Zbog obimnosti problematike, teško je dati opštu ocenu ove kvantitativne

metode. Jedna stvar koju treba odmah reći je da, iako kvantitativna, metoda
psihološkog testiranja ima i projektivne testove koji bi u opštoj taksonomiji soci-
jalnih istraživanjabili sigumo razvrstani u kvalitativne metode. Na odgovorima iz
tih testova bi se mogla primeniti analiza sadržaja. Psiholozi nisu eksplicitno
koristili analizu sadržaja tokom konstrukcije i standardizacije ovih testova, ali je
opšti postupak bio upravo takav. Na primer, za ocenjivanje tih testova se koriste
kategorije kao što su: boja, pokret, položaj, detalji itd. prema kojima psiholog
kodira odgovore ispitanika i skoruje ih.
Psihološki testovi su jedan od osnovnih alata u psihološkom ocenjivanju
(pored intervjua i nekih drugih tehnika). Postoje neke relativno pouzdane procene
0 broju testova koji su dosada konstruisani i one se kreću na desetine hiljada.
S obzirom da testovi mogu značajno da utiču na život pojedinaca
(profesionalna selekcija, dijagnostika, sudsko veštačenje itd.), kao i zbog drugih
etičkih pitanja, psihološki testovi su pod manje-više efikasnom kontrolom profe-
sionakiih udruženja. Na primer, u Srbiji je za izdavanje testova zadužen Centar za
primenjenu psihologiju Društva psihologa Srbije, Beograd, Đušina 7/III. Testovi
koje izdaju profesionalna udruženja su zaštićeni zakonom, licencirani su (u smislu
da poseduju odobrenje izdavača ako su prevedeni) i dobijaju se na komercijalnoj
osnovi, uz obavezni dokaz o stručnoj osposobljenosti (npr. fotokopiji diplome).
Pored ovakvih testova, psiholozi neprekidno konstruišu različite testove
koje koriste u naučnim istraživanjima. Većina ovakvih testova ne nalazi kasniju
primenu, ali poneki postanu vrlo poznati.
U anketnim istraživanjima se često koriste skraćeni psihološki testovi; npr.
po 5 ajtema iz nekoliko testova. Skraćene verzije testova se prave uglavnom zato
da bi se mogle uključiti u anketne upitnike koji su ionako pretrpani pitanjima.
Međutim, treba biti potpuno svestan da je takav „test” potpuno novi test, bez
obzira što sadrži ajteme iz poznatog testa i da nema nikakve osnove da se tretira
kao mera osobine koju meri izvomi test. Dakle, ako istraživač pretenduje da je
skraćenom verzijom izmerio neku psihičku osobinu, on to mora dokazati na isti
način kako se dokazuje tokom konstrukcije testa. Dakle, ajtem analizom, određi-
vanjem memih svojstava, odredivanjem pouzdanosti i validacijom.

E. Skale procene

Skale procene (engl. rating scale) obuhvataju vrlo širok krug namena, pri-
mena i formata. U literatiiri se mogu sresti primeri koji se protežu od nominalnog
do intervalnog nivoa merenja, od binamih do otvorenih stavki, od procenjivanja
dmgih do procenjivanja sebe, odprocenjivanjaponašanja do procenjivanja osobi-
na ličnosti. Do danas se mnogo uradilo na tome da skale procene postanu skale u
formalno teorijskom pogledu, u pogledu fiindamentalne kvantifikacije osobine
koja se procenjuje. Međutim, mnoge skale koje su u upotrebi uopšte nemaju za
cilj kvantifikaciju osobine, nego najčešće ordinalnoprocenjivanje, a ponekad čak
i nominalno. Pored toga, čak i za skale koje na to pretenduju, analize pokazuju da
ne sadrže kvantifikaciju osobine, odnosno da nisu dostigle intervalni nivo
merenja.
Prva važna podela skala procena je na dve situacije, odnosno postavke u
kojima se primenjuju:
a) kada neko kao ocenjivač procenjuje druge Ijude, pojave ili događaje, s
obzirom na neka njihova svojstva, i
b) kada pojedinci sami procenjuju svoja vlastita svojstva.
U prvoj situaciji, u psiiaologiji, najčešće se procenjuje ponašanje drugih
Ijudi. U drugoj situaciji procenjuju se vlastiti stavovi, mišljenja, osobine ili pona-
šanja. U prvoj situaciji se prikupljaju odgovori ocenjivača, procenjivača ili sudija,
a u drugoj odgovori ispitanika. Međutim, osim razlika koje proističu iz namene i
načina primene, nema principijelnih razlika u konstmkciji skala procene za jednu
i za drugu situaciju.
Skale samoprocene spadaju, prirodno, u oblast psihološkog testiranja i
merenja stavova, pa ih nećemo ovde obradivati. Sledeća važna dilema oko toga
šta jeste, a šta nije skala procene izvodi se iz neposrednog posmatranja i beleženja
ponašanja. Naime, ako procenjujemo tude ponašanje, najjednostavniji način
beleženja su liste označavanja ili kontrolne liste. One se veoma mnogo koriste u
medicini, psihijatriji i kliničkoj psihologiji kao. tzv liste simptoma, na primer;
1. Usporeno govori
2. Koristi bizame izraze
3. Govori samo kad ga se pita. . .
Kontrolne liste imaju binami format (v. psihološko testiranje) i ovde ih
nećemo tretirati kao skale procene u užem smislu. U literaturi se ide i dalje, pa se
kao skale procene opisuju i stavke koje imaju nominalni nivo i nazivaju se kvali-
tativnim. Kvalitativne skale procene se zasnivaju na deskripcijama, a ne nabroje-
vima, pa se nazivaju još i deskriptivnim skalama. Primeri ovakvih skala su:
a) U začetku Početnički Razvija se Nezavisan
b) Nema veštinu U toku ovladavanja Savladao veštinu
Ni ovakve kvalitativne i deski'iptivne skale nećemo tretirati kao skale
procene u užem smislu. Posebno su problematične one „kvalitativne” skale koje
se ne oslanjaju na stepenovanje, nego izvlače u prvi plan neke najviše istaknute
osobine, ili modalitete objekata koji se ocenjuju. Na primer:
1. Vredan i miran na času
2. Posebno sklon matematici i prirodnim naukama
3. Inteligentan ali nezainteresovan. . .
U školama su ovakve skale poznate kao „opisne ocene”. Ovde ih nećemo
tretirati kao skale procene. Kod nas se često koristi naziv skale rangova. Među-
tim, to može dovesti do mešanja skale procena sa pitanjima u kojima se od ispita-
nika traži da rangira neke objekte ili svoja ponašanja i koja se na engleskom
nazivaju rartking scales ili rank order scales. Način na koji se od ispitanika
zahteva rangovanje (npr. ne mora rangirati sve ponuđene objekte, nego samo prva
tri), kao i zbog toga što se eksplicitno zahteva rangiranje a ne procenjivanje, čini
da ni ovakve skale za rangiranja nisu skale procene u užem smislu.
Dakle, stavku ćemo tretirati kao skalu procene samo u slučajevima: a) kada
procenjivač ocenjuje druge Ijude, b) kada je skala-stavka politomna i c) kada
skala-stavka ima minimalno uređene kategorije. Što se tiče ovog poslednjeg
uslova, treba reći da psihometrijski modeli, posebno TAO modeli (v.), statističke
tehnike za analizu skala procene i tehnike formiranja ukupnog skora, svi odreda
podrazumevaju da su skaleprocene intervalne, da su kategorije ekvidistantne i da
su rastojanja između kategorija (alternativa) jednaka kod svih ajtema u testu, bez
obzira na težinu ajtema. Zbog ove konvencije istraživači obično tretiraju skale
procene kao intervalne. Međutim, treba imati u vidu da praksa često demantuje
ovu konvenciju.
Svaka skala procene predstavlja stavku koja ima stablo i skalu odgovora
(Trochim, 2000). Stablo je nekad impHcitno jer se iz skale odgovora zna šta se
procenjuje, ili se za skup skala navodi isto stablo. Skalu odgovora čini skup
alternativa. Skup alternativa može biti semantički, numerički ih grafički. Primer
semantičkog kontinuuma je skup: „neprihvatljiv”, „prihvatljiv” i „dobar”.
Pravila dobre skale procene - Šta je osnovni metrijski problem skala pro-
cene? Kada se formuUše egzaktno, psihometrijski, to je neujednačenprocespro-
cenjivanja kod svih ih kod istog procenjivača. A proces procenjivanja se sastoji
o d skupapragova koje procenjivač prihvata da bi prešao sa jedne ocene na drugu.
Da bi se smanjila mogućnost grešaka procenjivanja, skala treba da bude
takva da je na isti način interpretiraju svi procenjivači i svi oni koji tumače ocene
na skali da bi doneli neke odluke. Za sve učesnike kompletna skala, posebno
njena skala odgovora moraju imati ista značenja. Postoje brojna iskustva i suge-
stije kako se to postiže. Recimo, skala odgovora:
vrlo dobar dobar srednji loš vrlo loš
ne smatra se dobrom jer kategorije ne sugerišu nikakav stvami kriterijum šta je
dobro, a šta loše. Nasuprot tome, skala odgovora:
neprihvatljiv prihvatljiv dobar
smatra se boljom jer govori o tome da li je ponašanje (recimo učinak) prihvatljivo
ih neprihvatljivo za organizaciju za koju se sprovodi. Procenjivanje i tumačenje
će biti još jasnije ukoliko se u stablu (ili na drugi pogodan način) objasni da se
prihvatljivost odnosi, na primer, na: greške, olpad, kvalitet i sigumost. Sledeća
skalaje još preciznija:
5. konstantno dobar učinak
4. učinak generalno iznad proseka
3. zadovoljavajući učinak sa prosečnim brojeni grešaka
2. učinak obično ispod proseka
I . konzistentno nizak učinak
 Ipak, kao što je u ovoj knjizi na više mesta istaknuto, pouzdanost psiho-
loških memih instrumenata se najbolje postiže ukoliko se sastave od više ajtema.
To isto važi za skale procene. Ako se za svako svojstvo ili ponašanje napravi više
skala, onda su manje mogućnosti da se kategorije pogrešno ili različito intepre-
tiraju (osim ukoliko postoji procenjivačko usmerenje). Na primer:

Potpuno Potpimo
netačno tačno
1. Profesor predaje jasno 1 2 3 4 5 6 7
2. Slajdovi su vidljivi i ističu najvažnije elemente 1 2 3 4 5 6 7
3. Obuhvaćene su najvažnije teme. . . 1 2 3 4 5 6 7
Sve prethodne skale se mogu izvesti i u grafičkoj, numeričkoj ili kombino-
vanoj varijanti, a sve u cilju da se procenjivaču sugeriše kontinuum i da mu se
olakša beleženje ocena.
U poslednje vreme popularne su skale za koje se veruje da imaju još preciz-
nije defmisano značenje. To su BARS skale od Behavioiirally Anchored Rating
Scales. U BARS skalama se kategorije vezuju (sidre) za neka određena ponaša-
nja, ili kako neki autori kažu, za neke incidente koji su ključni da bi se neko po-
našanje ocenilo kao prihvatljivo ili neprihvatljivo. Na primer, ako se radi o oce-
njivanju predavanja, BARS skala bi mogla izgledati ovako (Amold et al, 2005):
Prezentacija gradiva
9
8 Govori glasno, bez oklevanja i zastajkivanja i reaguje na studentska pitanja

5 Koristi slajdove pravilnim redosledom i daje rezime na kraju časa

3 Propušta da defmiše neke manje važne pojmove

2 Ponekad ne govori dovoljno glasno
1

Dosadašnja iskustva sa BARS skalama kazuju da one daju nešto bolje rezul-
tate nego grafičke skale procene. Trenutno dominira niišljenje da ih, s obziromna
dugačak proces konstrukcije i neznatno bolja metrijska svojstva, treba koristiti
samo za važne i standardizovane zadatke. Prikazaćemo neke od preostalih, a stan-
dardnih tipova skala procene koje se koriste u psihološkim memim instru-
mentima.
Bipolamim skalama se nazivaju stavke koje imaju sledeći format:
1) Zaokružite broj za koji mislite da je najbliži osobinama koje poseđuje vaš profesor.

Strog, pravedan, ima Blag, empatičan,

1 2 3 4 5 6 7 8 9 10
visoke kriterijume spreman da pomogne
 Ove skale ponekad nazivaju „skale sa prisilnim izborom” kada se od ispita-
nika traži da zaokruži jednu altemativu, a precrta druge, odnosno da eksplicitno
eliminiše one altemative koje ne odražavaju njegovo mišljenje. Takode, ovaj tip
skala je sličan semantičkom diferencijalu (v.).
Grafičkim skalama procene se nazivaju stavke koje mogu da izgledaju
ovako:

1 5 9 13 17 20
1 1 1 1 , 1 1 J ...I..I I I 1... 1 I I I I I I I
Nikad ne Obično ne Ponekad ne Obično Uvek zadovol ava
zadovoljava zadovoljava zadovoljava zadovoljava

Danas se često linije koje označavaju kontinuum crtaju vertikalno. Numeri-

čki kontinuum se može postaviti simetrično, oko srednje, ili neutralne tačke. U
tom slučaju bi srednji zarez mogao biti označen nulom, zarezi levo od njega nega-
tivnim brojevima, a zarezi desno od njega pozitivnim. Linije (duži) se mogu
kombinovati sa bilo kojim drugim formatom skale procene, kao što su u gornjem
primeru kombinovani numerički, grafički i verbalni (semantički).

F. Upitnik

Upitnik je memi instrument sastavljen od stavki ili pitanja koja se ispitaniku

prezentiraju odstampana na papim, ili na nekom drugom pogodnom medijumu
(recimo na računaru)TPrema toj defmiciji upitnik očigledno liči na psihološke
testov'e”(v.), pa je u psihologiji vrlo česta praksa da se testovi ličnosti nazivaju
upitnicima. Medutim, u ovom poglavlju neće biti reči o upitniku kao vrsti
psihološkog testa, koji je prvenstveno namenjen merenju osobina ličnosti, koji se
konstruiše za dugotrajnu upotrebu, ima čvrstu stmkturu i iz njega se fomiira
ukupni skor. Upitnik o kome je ovde reč je vrlo sličan „intervjuu prenesenom na
papir” (intervj uirce biti pusvečeuo iTosebno poglavlje iz’koga će se videti da se
pojmovi stmkturisanog intervjua i upitnika značajno preklapaju). Konstmiše se,
po pravilu, ad hoc i namenjen je prvenstveno ispitivanju stavova i preferenčijaTT'
'anHelnim ištruživanjima. Njegova struktura je „labavija" jer sadrži pitanja razli-
čitttnipova 1 razhčite teme i iz njega se neform ira ukupni skor.
Može se reći da se upitnik o kome ovde govorimo, po principima konstmk-
cije i osnovnim svojstvima, nalazi „negde izmedu” psihološkog testa i intervjua.
Da bi se olakšalo razlikovanje upitnlKa od lesta i intervjua, treba posebno istaći da
upitnik ima jednu specifičnu namenu. O n je, naime, toliko neraskidivo vezan za
terenska, a pjosgtoo za anketna istraživanja, da se takva istraživanja ponekad
n a z iv a ju u p itn ič k im '_ a sa m up itn ik s e u ta k v im istražiY.aniim.a n a z iv a ..an t o o m ”
(npr. „ d o b ić e te svi a n k e tu ” ).
Pitanja u upitniku su potpuno analogna stavkama u psihološkim testovima.
Stavke mogu biti u bilo kom formatu. Za upitnik namenjen anketnim istraživa-
njima karakteristično je da sadrži stavke različirih formata: dihotomne, otvorene,
politomne, ordinalne itd. lako je sasvim opravdano da se o anketnom upitniku
razmišlja kao o „odštampanom interVjuu”, upitmk može da sadrži i neverbalne
stavke, kao sto su računski lii gratički'zadaci. Pored toga,'sve stavke sa ordi-
nalnim kategorijama, kao što su skale procene, mogu umesto verbahiih kategorija
da sadrže vertikalne ih horizontalne linije na kojima ispitanik označava svoj
položaj u p d ^ ed u nekog svog stava ih procene. Od ispitanika se može tražiti da
razvrsta kartice sa nekim uzorkom, da ujgoredi fotografije, da prepozna neke
suTibole i tome shčno. Izbor formata stavki jednim delom diktira priroda pojave
Rbja se ispituje~t^rpfr^rirodno je da se pol ispitanika određuje dihotomnom stav-
kom), a drugim delom zavisi od opredeljenja istraživača - konstruktora iipitnika.
Postoje mnogobrojna iskustva sa primenom upitnika u anketnim istraživa-
njima, međutim, nije lako formulisati jedan jedinstven recept za spravljanje
dobrog upitnika. Mnogo zavisi od namene istraživanja, od ciljne populacije, od
načina prezentiranja (administracije) upitnika i drugih stvari.
Dakle, upitnik možemo zamisliti kao intervju koji je potpuno standar-
dizovan i pretočen u skup pitanja koja su odštampana. Međutim, takav upitnik se
niože pfimenjivati na različite načine, koji ne podrazumevaju uvek štampani
oblik. Dva osnovna načina administracije upitnika, koji za sobom povlače i
razlike u načinu konstrukcije, su:
• samoadministracija, koja se sastoji u totne da se upitnik na neki način
dostavi ispitanicima, a oni onda samostalno odgovaraju na pitanja,
• lično intervjuisanje (engl. face-to-face), kada upitnik primenjuje
intervjuer - anketar, tako što na osnovu njega vrši strukturisani intervju.
Sa podelom se može nastaviti i dalje, s obzirom na medij koji se koristi.
Tako se upitnici sa samoadministriranjem dele na:
• upitnike poslate poštom i
• upitnike postavljene na Intemetu.
Upitnici sa Učnim intervjuisanjem mogli bi se podehti na:
• upitnike za neposredno intervjuisanje i
• upitnike za telefonsko intervjuisanje.
Ove podele upitnika potpuno korespondiraju sa tipovima anketnih istraži-
vanja (v.), za koja smo rekh da se prvenstveno zasnivaju na upitniku i inter\'juu.
U pitnik sa ličnlm intervjuisanjem . - U engleskim udžbenicima se ovaj
upitnik često n&zndiSchedule, sa značenjemdetaljnog plana intervjua. Primenjuje
se u anketnim istraživanjima sa ličnim intervjuisanjem i, po svemu, teško ga je
razlikovati od mtervjua. Sve što je rečeno u poglavlju o intervjuu, posebno o stan-
dardizovanom intervjuu, važi za ovaj tip upitnika.
Upitnik sa ličnim intervjuisanjem ne videispitanici, nego samo anketar. To
za sohom novlači niz mogućih razlika između ovog upitnika i upitnika~ša~ša!TRT-
administracijom. Recimo. upitnik sa ličnim intervjuisanjem mogu da prate
dodatni dokumenti, liste, siike ih primeri koje anketar pokaziije i n t e .r v ju i s 3 n i m 3
tgkom intervjua. U njemu mogu da stoje, i obično stoje, uputstva anketaru (treba
vrlo jasno naznačiti koja uputstva su namenjena samom anketaru i koja se ne
čitaju ispitaniku, a koja se čitaju).
■' Ako upitnik admmistrira anketar u ličnom intervjuu, onda će sva potrebna
uputstva ispitaniku on davati. Međutim, ta uputstva mora pripremiti istraživač
kako bi se izbeglo da različiti ispitanici dobijaju suštinski različita uputstva.
U ovom tipu upitnika se bolje mogu primeniti otvorena pitanja nego u
upitniku sa samoadministracijom.Jgraksaje pokazala da IjudTniogu pitanja razu-
fnevati na različit način i da iz aistih odgovora nekada stoje različiti stavovi, a
nekada iza različitih odgovora stoje isti stavovi. Kada postoji anketar, on može
tražiti od ispitanika dodatna objašnjenja, ili mu mo7e dnii d n d n tn n objašnjenja
kaEo bismo~Wti sigu m rd a su svi ispitanici na jednak način razumeli pitanja.
TaKođe, on moze podsticati ispitanike da jjaiu detatiniie odm vore. a pri tome ih
može klasifikovati u neke unapred date kategorije kako bi kasnija obrada bila
lakša. Anketar ima mogućnost da prom eni redosledpitanja ili da preskoči nepo-
trebna p ita n ja .__
Na nešreću, ove prednosti ličnog intervjuisanja se u praksi teško daju
iskoristiti. Kada se radi u nacionalnom anketiranju verovatan broj anketara je
stotinjak, što znači da treba raspolagati sa toliko obučenih, veštih i stručnih
saradnika koji, pri tome, razumeju principe anketnog istraživanja. Ono što je
osnovno, istraživač nema nikakvu kontrolu nad tim šta se dogada na terenu i da li
su uputstva koja anketar daje i njegova interpretacija upitničkih pitanja i ispitani-
kovih otvorenih odgovora korektni.
Naravno, lično intervjuisanje je neophodno kada su ispitanici nepismeni ili
polupismeni. Kod nas je to dovoljan razlog za izbor ovog tipa upitnika kada se
ispituje opšta populacija. Takođe, kada se ispituju mala deca, lično intervjuisanje
će biti jedini mogući izbor. Svaka dm ga vrsta hendikepa (naravno, ne smatramo
da je detinjstvo hendikep), takođe, daje prednost upitniku sa ličnim inter-
vjuisanjem (pa prema tome i intervjuu nad upitnikom), zato što anketar može
pomagati ispitanicima da čuju pitanje, da ga razumeju, da formulišu odgovor i da
ga zapišu (zapisuje ga anketar). U višejezičnim sredinama anketari mogu biti od
pomoći u prevođenju pitanja u upitnicima koji nisu pisani na jeziku koji nije
matemji jezik ispitanika. Naravno, ako ispitanici uopšte ne govore jezik istraživa-
ča, ili ga slabo govore, najbolje je prevesti upitnik i poslati anketara koji govori
njihovim jezikom. O problemima anketiranja govori se u glavi o uzorkovanju,
poglavlje o skrivenim etapama.
U pitnik sa sam oadm inistracijom . - U upitniku sa samoadministracijom,
 njava sam, mora postojati detaljno uputstvo za DODuniavanje. U zavisnosti od
duzme up:tnika, od tematike koja se ispituje i od fnnnata stavkiT može biti
potrebno uputštvo za svaki deo upitnika posebno. a uputstva će možda trebati
prepiatill piimciillJd. rušToje mnoge stvari koje treba objasniti ispitanicima
R^cimo;ičada Se tražišam o jedan odgovor, a kada je moguće dati više odgovora.
Trgba~obiasniti naćiiri:ako da se poništi pogrešno dat odgovor i kako da se upiše
tačan. Ako se od ispitanika očekuje da vrati upitnik poštom, mora se objasniti
postiipak (npr. ako želi da bude anoniman ne treba da upisuje adresu pošiljaoca).
Upitnik sa samoadministracijom se ranije češće primenjivao nego danas jer
je istraživačima tako bilo lakše. Međutim, samo-administracija ima neke krupne
nedostatke zbog koiih treba biti oprezan prHikom njcne u p o tre b ^ K a o prvo,
p ro cajatn eodgovora, odnosno nevraćanja upitnika je veoma visok, a iskustva su
polcažala da on nlje nasumičan nego je u vezi sa sociodemografskim karakteri-
stikama ispitanika, a često i sa predmetom m e re n j^ P ru g i nedostatak samo-
administracije je što potenciialni nesporazumi izmedu istraživača i ispitanika, u
formi dvosmislenosti pitanja, ostaju prikriveni. Iskustvo je pokazalo da pitanja
imaju ražličiti~značenja za različite ispitanike, češće nego što se misli. Ovi
'nedostaci mogu biti otklonjeni ako upitnik adnunistrira anketar.
^ ^ ^ r e ć i važan nedostatak je u tome što istraživač nema nikakvu kontrolu ko ie
popunjavao upitnik. Vrlo je uobičajeno da upitnik popunjava cela porodica, ili se
traži savet od komšija.
"^Upitnilc koji popurijava sam ispitanik mora biti lepo prelomljen, uredan, bez
grešaka, pregledan, sistematičan i nikako ne sme biti zbijen. Trfba stalno imati u
vidu da će se ispitanici ponašati onako kako izgleda upitnik.
I’rednosti upimika koji se saije postom su u ceni, standardizovanosti, ano-
nimnosti i većem konforu ispitanika jer mogu planirati vreine za popunjavanje.
Osim slanja poštom, upitnici mogu biti dostavljani putem kurira, preko firme u
kojima ispitanici rade, uz neke dmge papire kao što su računi i sl. Standardizo-
vanost je bolja nego u ličnom intervjuisanju zato što se ovi upitnici prave sa
manje otvorenih pitanja i zato što se izbegava interferencija anketara.
Treba, takođe, iniati na umu da se upitnici, posebno kad se radi o sonda-
žama javnog mnjenja, prave za jednokratnu upotrebu i da ne mogu đa postignu
onaj stcpen pouzdanosti i valjanosti koje imaju „trajni” merai instrumenti, kao što
su, na primer, psihološki tcstovi. To može biti još jcdan razlog u prilog odluci da
upitnik administrira anketar, tj. da se samoadministrirani upitnik zameni ili
dopuni intervjuom.
O tvorena pitanja. - Otvorena pitanja se često nazivaju pilanjima sa
konstruisanim odgovorima (PKO), kako bi se kontrastirala u odnosu n apitanja sa
ponuđcnim odgovorima. Vrlo je česta praksa da istraživači u otvorenim pitanjima
u upitnicima za samoadministraciju štampaju linije na kojima je predviđeno da'is-
•liitaniirupisuje odgovor. Nažalost, hnije su obično isuviše blizu i nemoguće lEje
koristiti za norfflalžn rilR)pis. Zato linije treba dovoljno razmaknuti, ili ih potpuno
napustiti i jednostavno ostaviti dovoljno praznog prostora za odgovor ispitanika.
Linija je, međutim, korisna kada se ispitaniku želi sugerisati dužina odgovora.
 Kada je reč o otvorenim pitanjima koja zalitevaju dug odgovor, korisno je
t ave na krajupitnika, jer je tako lakše organizovati dovol|no prošTgTa
za odgovor (međutim, postoje i druge preporuke, v. kasnije). Nisu sva otvorena
pitania ..iednako otvorena”. Na primer, pitanje ,,za koju stranloi ili k6aIičyTršte-
glasali na prošlini izborima” je manje otvoreno od pitanja „šta bi bio vaš komen-
tar o našem proizvodu”. Pri tome, treba imati u vidu da prvo pitanje, u otvorenoj
formi, nije identično istom pitanju u zatvorenoj formi, iza koga stoji spisak
političkih stranaka i koalicija. Naime, nesigumi i neodlučni ispitanici neće moći
da se sete za koga su glasali ako* odgov~ofrnisU ponudeni"(a praksa poTčazujFaa,
akćršupčm uđeni, značajan procenat ispitanika tvrdi da iu glasali za D O bedm kal"
^ Otvorena pitanja su pogodna za sondažu kompleksnih pojava, uočavanfe
nesporazuma i neznanja, sagledavanja c~eIokupnog domena pojave itd. MeđutiiH,
he pretoosti mogu b iti ostxarene samo sa dw olino pismenim. obiazovamm i
niot^isan im ispitanicimayQ sim toga. otvorena~bitania obično credstavliaiu
proSIem za obradu i obj^M vno ocenjivanje, posebno ona koja imaju karakter
esejskih pitanja (kada odgovor može da zauzima pola strane ili više).
P itanja sa ponuđenim odgovorim a. - Kao pitanja sa ponudenim odgovo-
rima se najčešće koriste politomne stavke, koje daju podatke na nominalnoj skali,
skale procene kao što su Likertove skale (v.), koje daju podatke na ordinalnoj
skali, ali se koriste i diliotbmne stavke, gratičke skale procene itd. Politomna
nominalna pitanja se često nazivaju pitanjima sa višestrukim izborom (PVI), ali ih
ne treba mešati sa PVI koja se koriste u kognitivnom testiranju, kod kojih je jedan
od odgovora tačan, a ostali pogrešni.
Uvek treba razmotriti da li da se u ponuđene odeovore u PVI uvrste
altemative: „drugo”, ,,ne znam”, ,,ne želim da odgovorim”, ,,ne odnosi se na
mene”, ili „neodlučan” u Likertovim 'skalam aTS^ka od tih allemntiva ima Hhhrn
i loše strane. Nekada odgovor ,,ne znam” označava nespremnost da se iskaže
raišljenje, a nekada nedostatak motivacfje. U eksplorativnim istraživanjima, ili u
pilot istraživanjima, aftemativa „drugo, šta _____ ” je korisna da bi se proverilo da
li je spisak odgovora koji su istraživači ponudili potpun.
Ako se upitnik administrira telelonski, onda treba imati u vidu da ispitanici
ne mogu da vide pitanja i odgovore. Isto tako, razgovor ne može da traje dugo.
Kod takvih upitnika je posebno važno da pitanja ne budu dugačka i složena, a
broj altemativa mora biti krajnje ograničen (npr. ne više od pet), jer bi inače
intervjuer morao stalno da ih ponavlja. To isto važi za stavke u kojima se od
ispitanika traži da rangira neke odgovore, npr. marke deterdženata (ne više od tri).
Svaki istraživač se susreo sa problemom pokrivanja celokupne varijabil-
nosti stavova o nekompitanju. Recimo, teško je unapred znati koji su sve mogući
odgovori na pitanje ,,Šta smatrate da je prednost života u velikom gradu?”. Postoji
više „tehnika” kako da se prevaziđe taj problem. Najbolje tehnike su one koje se
sastoje u prikupljanju prethodnih informacija. To se može postići pilot istraživa-
njima u kojima se ovo pitanje postavlja kao otvoreno, pa se odgovori kasnije
klasifikuju u glavne gmpe. Prethodne informacije se mogu prikupiti i metodom
fokus gmpa. Ako ništa od toga nije dostupno, onda istraživač mora a priori, ili
analizom sekundamih podataka - prethodnih istraživanja - da definiše izvestan
razuman broj odgovora i da ponudi kategorije „drugo”, ,,ne znam”, „ne želim da—
odgovorim” i sl.
Kod pitanja sa ponuđenirn odgovorima treba imati u vidu uobičajene meto-
dološke zamerke koje im se upućuju. Ako celokupan domen pojave nije dobrp
Đokriven, ispitanici će biti frustrirani jer ne m ogu naći altem ativu ko)a njim a od-
govara. Z atim ,T šp itn ici koji n e z n a ju odgovor, m o g u sv o je n e zn a n je sakiiti ta k o
S fo ^ o d a b ra ti neku od pcrnuđeniFahernativa (u psihološkim testovima sposob-
n o sti se ova p o ja v T n a z iv a pogadanjem). N a jče šć a zamerka k o ja se u p u ć u je PVI
je da ne mogu da izmere kompleksne pojave, mišljenja i stavove. S druge strane,
najjača strana PVI je u lakoći odgovaranja i lakoći i objektivnosti ocenjivanja.
F orm ulacija pitanja. - Sama pitanja (stabla stavki) ne smeju biti previše
duga, recimo ne više od 25 reči, posebno ako se upitnik zadaje telefonski. Ona
^grafički i prostomo trebaju da budu jasno odvojena od kategorija-ahem ativa-
odgovora, da bi ispitanicima, ako sami popunjavaju, bilo jasno šta je šta. U
pogledu načina odgovaranja, odnosno izbora odgovora, rešenja zavise od toga da
li se upitnici skeniraju iH se vrši mčno šifriranje i unos. Ako je upitnik predviđen
za optičko čitanje, onda za odgovore treba predvideti posebne „kućice” u obliku
kvadrata, zagrada, ili kmgova, a ispitanicima i anketarima treba dati uputstvo
kako će upisivati odgovor (npr. sa +, x ili / ) . Ako se unos podataka sa upitnika
vrši mčno, kod nas je uobičajeno da se altemative numerišu brojevima ispred
- svake, a ijpitanik (ili anketar) treba da zaokruži broi ispred odabranog odgovora.
O t( ^ e 1 a k o ti'čba da budu lormulisane stavke, napisana su brojna uputstva.
Uputstva za sastavljanje stavki, koja su u ovoj knjizi data u glavi o merenju
stavova sasvim su primenljiva na pisanje upitnika. Formulacija pitanja ne sme
sugerisati odgovor ni na koji način. Recimo, umesto pitanja „L)a h smatrate da
' predsednik'dobro obavija svoju diizhost”, bolje je pitati „Molimo Vas da ocenite
’ kako~predsednik obavlja svoju dužnostT
Medutim, naizgled suprotno prethodnom pravilu (ali samo naizgled), kada
se ispituju stavovi, posebno kada se to radi sa stavkama Likertovog tipa,
formuIisMje neutralnih. nediskutabilnih pitanja je teško, pa i pogrešno. Stavka, u
prmcipuTtreba da predstavlja neki diskutabiTan isi<az-tvrdniu, oko kojeg znamo
■(ia~postoii ncslaganje. Teško je fomiulisati-dis.kutabiIne s t a ^ , u obliku tvrdnje,
a da ne budu iskazane bilo u pozitivnom, bilo u negativnom smeru. U lu iir
tren'utku se javlja problem, potvrđen u mnogim istraživaniima. da pozitivna ili
negativna fonnulacija stavki utiče na način odgovaranja, iz različitih razloga, pa
’ da čak može i da promeni predmet merenja. Istraživači nastoje da prevažidu laj
pro5IenrtaIčo što: a l stavke tormulišu i pozitivno i negativno i b) što u nekim
stavkama kategorije idu od negativne ka pozitivnoj, a u drugima obmuto.
Umesto pitanja ,,Da li ste glasah na prošlim izborima”, bolje je pitanje
„Postoje mnogi razlozi zašto Ijudi ne glasaju. Neki su bolesni, neki su zauzeti,
neki ne mogu da napuste stan. Setite se prošlih izbora, da li ste Vi glasali?”. U
ovom pitanju se koristi uvod koji ima za cilj da ispitaniku koji nije glasao pmži
izvestan „alibi”, kako on ne bi lažno odgovorio potvrdno. Ovakvi uvodi u pitanje
 se mogu koristiti da bi se ispitaniku objasnilo šta se tačno pita i da bi mu se dale
neke početne informacije. Međutim. sa dužinomrnitanra niVaVn ne
rj^ati. Ako se grupa pitanja odnosi na istu s t^ ^ o n d a uvodna obia'šnienia treha~
- dati na početku, a ne za svako pitanje. Ako upitnik zadaje anketar, on, n i e đ u t i ^
može da ,,osve2i" paiiićenje ispiianika tako što će, po potrebi, ponavljati uvodni
deo pitanja.
Uvodni delovi pitanja kao što su ,,da li ste vi često, povremenn ili nikaH ”
nepotrebni su ako su takve altemative iasno i pregledno nonuđene Tf pnfriavljn o
osrrovnoj matiTci podataka mogu se naći još neki primeri i sugestije u vezi
formulacije upitničkih pitanja.
Terminologiju i rečenički sklop treba prilagoditi nonnlar.iii kojoj je upitnik
namenje n /a li žargon i lokalizme ipak treba izbegavati što je više moguće.T^a
priiTri^i, U upiUilku z j' ispilivaiije pojave puseniaj:o d ucenlka prva 4 razreda
osnovne škole mogu se naći pitanja kao što~š^ r7 S trm išliš o štetnnm iitir.flfiT'
nikdtina", ili „kada pusis, da li misliš da će ti r i t o in škoditi’TTli in.š nrohlem nnrr
r ^ „ U svetu postoje različita mišljenja o šte tn o sti'u d c^ d u v an a. Šta bi ti rekao~
o tome...”. Takav zvaničan je_zik i formulaciia pitanja su strane deci, stavliaiu ih u
arteficijalnu sim a c iju T v r io ^ o v a tn o će provocirati socijalno poželjne odgovore
(dešava se, pošto se prave isti upitnici za omladinu različitih uzrasta, da se u
pitanjima koristi kurtoazno obraćanje - ..Vi”').
Poseban problem predstavlja ispitavanie inkriminišućih i na drugi način
„nezgodnih tema. Postoji duhovit primer o najmanje pet načina na koji se može
pitati ispitanik da li je ubio svoju ženu. Primer je sračunat da bude zabavan, ali su
formulacije koje su predložene validne za sva „osetljiva” pitanja.
• Da li se desilo da ste ubili svoju ženu?
• Kao što znate, mnogi Ijudi danas ubijaju svoje žene. Da li se desilo da
ste Vi ubili svoju?
• Da li poznajete neke Ijude koji su ubili svoju ženu? Kako u tom pogle-
du stoje stvari sa Vama?
• Hvala Vam što se popunili ovaj upitnik i, usput, da li ste ubili svoju
ženu?
• U upitniku su priložena tri listića. Na jednom piše da je Vaša žena
umrla prirodnom smrću, na drugom piše da ste je Vi ubili, a na trećem piše
„Drugo (objasnite šta)”. Otcepite one listiće koji ne stoje, a ostavite onaj
koji najbolje opisuje Vašu situaciju.

Poznata su iskustva da pitanja prvog tipa, recimo „koliko često masturbira-

te”, mogu ižnenathrjTCe^bro funkcionisati jer „daju legahtet” pojavi (ispitanici
reaguju: „vidi, oni znaju” ili „mora da to svi rade”).

S tru k tu ra upitnika. - Upitnik niora da sadrži identifikacioni deo koji se

sastoji od tzV^socio-demografskih pitanja (o polu, zanimanju, starosti, obrazova-
nju i sl), mestu stanovanja, radnom statusu, konfesionahioj pripadnost i svemu
onome što bi moglo biti korisno za istraživanje. Ako upitnik popunjava anketar,
on može unijeti i neke dopunske podatke, ili podatke za koje nije potrebno pitati
 ispitanika (npr. o mestu stanovanja ili polu). Istraživač mora odmah nakon
prijema upitnika, svaki obeležiti nekom jedinstvenom identifikacijom, običnim
rednim brojem ili nekom složenijom šifrom. Bez te identifikacije je kasnije
kontrola i analiza podataka nemoguća.
Jedno od prvih pitanja koja treba rešiti priUkom konstrukcije upitnika je
. redosled nitania. Trcba znati da redosled pitanja u upitniku ima uticaia na
rezultate, ponekad drastičnos. Ako upitnik ima nekc logične celine, pogotovo ako
one nisu međusobno povezanc (recimo pitanja o partijskim preferencijama,
stavovi 0 vojsci i koje medije prati), uobičajeno je da i pitanja koja se odnose na
te celine budu prezentirana skupa.^
Vrlo je uobičajeno da se celi.ia sa socio-demografskim pilanjima stavi na
početak upitnika. To je za istraživača praktično, ali treba imati u vidu ispitanika
kome je možda dosta da odeovara na uintnike u koiima ga uvek prvo pitaju kojeg
je p o la ~
‘ Cesto se kao opšta strategija za raspored pitanja u upitniku predlaže stra-
tegija levka. Po toj strategiji, pitanj^ i'du od opštijih ka posebnim. U opštim pita-
njima se postavlja opšti okvir za temu koia se ispituie i. ako ie potrebno, daju se
potrebne informacije. Opšta jiitanja mogu se formulisati kao otvorena. Nakon
toga, pitania j u sve specifičnija. i na krajn kp fruannHc-jt; Van d’hotomna.
Op.^te iskustvo, naime, pokazuje da su specifična pitanja manie osetliiva na
kontekst i na ono što je ispitanik morao raniie da odpovara. Strateeiia levka se
može primeniti u okvin^vake celine, ako ih ima više.
Međutim, postojii strategi/a obrnutog levKa, po kojoj se prvo postavljaju
najkdnkretnija pitanja, a iza njih dolaze sve opštija pitanja u kojima ispitanik
obrazlaže svoje stavove. Po ovoj strategiji upitnik počinje in medias res, nekim
pitanjima koja su aktuelna, koja privlače pažnju i koja će ispitanika motivisati da
nastavi. Neki istraživači čak, mimo stvamog predmeta merenja, na početak stave
neka pitanja koja se u tom trenutku nalaze u žiži društvene pažnje (da h ste za
ukidanje vanrednog stanja, da !i ste za samostahtu republiku, da li ste za zabranu
abortusa itd.).
Po strategiji obmutog levka je prirodno da se socio-demografska pitanja
ostave za ki'aj, ah se to rešenje može primeniti bez obzira na poredak ostahh
pitanja.
Iskustvo govori da je „osetljiva pitanja” bolje ostaviti za kraj, posebno u
ličnom intervjuisanju. Međutim, ista iskustva govore da se_ne zna šta su to
ojetljiva pitanja. Nekim ispitanicima će, recimo, pitanja o starosti ih o prihodima
bm osetijiva, l^o, za ona pitanja za koja se očekuje da budu „osetljiva”, dobro je
da se ostave za kraj i da im prethodi kratko upozorenje, kao nnr.: ..neka od slede- •;
ćih pitanja će vam se činiti kao mešanje u vaš život i možete mi slobodno reći da
ne že'Hfe'da udguvoi'irFT
Uvek 1 U tivakom slučaju, ispitaniku mora biti objašnjena svrha, cilj i
namena i^raživanja, ko vrši istraživ^je, na koji načm je on odabran u uzorak. da
h je anket^ anonimna Tli ne i dmga slična pitanja. Takođe, uobičajeno je da se na
kraju upitnika iskaže zahvainost isptaniku: '
 Učtiva je praksa da se ostavi prostor ispitaniku za njegov komentar povo-
dom samog istraživania i nečega što niie bilo obuhvaćeno u samom istraživanui.
Ako upitnik popunjava anketar, onda treba predvideti mesto (na upitniku, ili na
posebnim formularima) na kome on može upisivati svoje komentare.
Što se tiče dužine upitnika, odnosno broja pitanja, tu ne postoje striktna
uputstva, ali se zna nekoliko stvari: upitnici koji se koriste u telefonskim anketa-
ma ne bi trebali da zahtevaju više od desetak minuta razgovora, upitnici koje
ispitanici sami popunjavaju, ako su namenjeni opštoj populaciji, ne bi trebali da
iniaju ViSć Od četin strane. Upitnici koje administrira anketar licem u hce,
međutim, mogu da traju čitav sat, pa i duže. Pri tome treba imati u vidu da slabije
obrazovani i stariji ispitanici odgovoraju znatno sporije od proseka. Takode,
upitnik može pod izvesnim uslovima imati „varijabilnu dužinu”. Na primer, ako
ispitanik ne koristi neki proizvod neće mu se postavljati pitanja vezana za taj
proizvod. Tako će se desiti da ispitanici koji koriste sve proizvode odgovara]u na
kompletan upitnik, a ostali samo na neke delove.

G. Intervju

Intervju, kao metoda za prikupljanje podataka u naukama o ponašanju, iia

prvi pogled-izgleda kao nešto što je svima poznato. Međutim, iyje sasvim lako
defmisati šta je.intenju. Sigumo je da se on zasniva na komunikaciji izmedu ,,dv£
strane”;.jnteiyjuera i^inteiyjuisan^^ Ako se kaže da tu komunikaciju čini
razgOY0,r, to nije potpuno pogrešno, ali jntervju se,, recimo, može_ vpditi sa
gluvonemom osQb.om putem jezika znakova. Takode, intervju ne.morabiti voden
licem u Ijce, jM _se može_razgovarati prekp telefona, a danas postoje tehnička
sredstva, kao što je Jcpmimikaciya preko Interpeta, koja se obavlja kucanjem na
tastaturi. Isto tako, izvpr ppdataka uopšte ne mora biti sam razgovor, bez obzira
kako se vodi. Intervjuer, naime, može da posmatra ppnašanje intervjuisanog, a u
nekim shičajevima je neverbahio ponašanje važniji izvpr podataka pd ječi. Jleč[
koje izgPVEura ii^tevjuisani, takode, ne mpraju se_anahzirati^samp s pbzirom na.
njihoYP. zn^enjej_negg L sjb ziro m .n a fcekvenciju ili-naglašavanje (ono štp nije
rečeno je nekada važnije od onoga što jeste).
Pflstoje dileme oko toga da li intenjiLmoJe„da_pbjjhv..ala više^osoba
pdjednom, kakp_ sa stranejjitervju^ra, tako i sa strane intervjuisanih. U principu,
moguće je sprovesti.kpmunikaciju kpja pp svemu pdgovara..definiciji intervjua,
ali takp da bude„više.iaten'juera (štp je čest slučaj u pplicijskim istragama) j.više
intervjuisanih (kao npr. u medijskim intervjuima). Nekada se kao posebna vjsta
intervjua pominjs!gn<pm7w7en^/M; ukom e se razgQyp.LyQdisa.yiše.Lntervjuisaoih
psoba. Nekada se ggipni intervju nazJva fokus fj^uppm. ali je u ppglavlju p fpkus
grupama pbjašnjeno da fpkus grupe nisu grupni intervju.
 Kuo sativiiii (i|iri'iličim o b lik in te rv ju a , k o ji p o n e k o lik n ;i',| ii ImiIh i )i I'.Iii |) h od
.svili Dsliilili vislii iiili iv)iiii, II lilcratiiri se č esto navodi|iipM oli( Li iiilci vjil ii kli-
llilMu)| |I m I|0||I|1I||
J ii Um vjii ji' v rio v iiliio iiiijslanja č p v e k o v a rnetoda za p iikii|il|.inn- jiodiiliikii
,(jd dni)',ili Ijiiili < )d.iilr jio lirc vi-lik:i ra z n o lik o st n jeg o v ih oblik:i / ii l n )i- koii.siio
da sc i/.l:ii’:iiiji- iiiiilci ijr o iiiici v|im oj’raniči n a o b last n a u k a o poiiiis.iiijii i dii s f
isk lju č c drugi- |)m iii'iic iiilci vjiin, kno Slo sp o m e n u ti m e d ijsk i intci vjiii ii ,';iiiiii|)i.
n a ra d iju ili tc lc v i/iji, iiilci vjiii koji ,sc sp ro v o d e u istraž n im postuiicini.i ii jioliciji
ili su d o v im a i n i/iii diii)’.i slii>l)ciii i iicsU ižbeni ra zg o v o ri k o jc sc iic vodc .sii
c ilje m p rik u lja iija luiiičnili pudnliikii K ažcm o „ k o risn o ” , j e r se cliniiiiiu ijoiii
d ru g ih in te rv ju a m atc rija čini )iiMii|oiii i b o ljc d e fin isa n o m . M eđ u tim , piiivilii /a
Ygđenje.Jnter^ua_s^Li univci/.iilnii i nc la /lik iiju se m n o go iz m e đ u „ c tn o io |’iic i
_Po'icije. P o re d to g a, u naukiiiiiii o poiiiiSaiijii sc in terv ju i m o g u k o ristiti u roicn
z ičk o j p sih o lo g iji, m o g u ,se iiilcrvjui.siiii is|)ilaiiici k o jim a su n a m e rn o date iickc
psilioiiklivnc su p sla n c c i čija jc sv c sl i/n ic iijcn a , nio g u se in te rv ju isa ti kan d id ati
/ii iicki vii/iin posiio i sl.
I’o l i c b i i o )c, d i i k l c , / i n i / c l i j c d i i n r a / i i i i i i i n s l; iv u p o g l c d i i lo g ii .■51a s c m o / . c
s n ii iliiil i^ n iiiič iijiii i i i l c i v j l i o n i , ; i i i i n i c i i j c n o i n pi i k i i p l j a n j u p o d iilii k ii ii (liii.<!lvcno-
. n a u č n o i n is U i i / i v i i j i j i i , o d n o s i i o k o ji i sii l o o s n o v i i i i s v o j s t v i i k o ji i liik iiv i i i l c r v j u
tre b a d a im a.

1. K a o p rv o , za p o tre b e p rik u p lja n ja n a u čn o rclcviiiilnili p o d a ta k a n a jb o lje j a

k o m u n ik a c ija u interyjuu^udejf?<277e/705;-c;iiH(7a, o d n o sn o d a p o s to ji vizu-
_elni_, k o n la k t. N e k a d a se ovaj u slo v in te rp re tira ta k o da in terv ju m ora
sa d rža v a ti u z ajam n u k o m u n ik a c iju , u sm islu in te rak c ijc o so b a koje su u
iijcga u k lju č c n c - in tc rv ju era i in te rv ju isan o g . P o m e n u ti liipnotički intei-vju
u kliiiičkoj |isih o lo g iji iiiia o g ran ičcn ii i sp ccifičn u uzajam n o st.
2. l)ru g a v ažn a odrcdiiic;i j c da sc k o n iiin ik ac ija o d v ija sa m o izm eđii dve
oso Ih ’. A k o poslo ji p o lrcb a za d ru g iin u č csn ic im a , recim '6 p o sm a tra čim a,
oni nio g u biti o d v o jcn i u d ru g o j p ro sto riji. O v d e se k a o izu z eta k m ože
u b ro jati in terv ju sa o so b o m iz d ru g o g je z ič k o g p o d ru č ja , k ada j e p o treb a n
p re v o d ilac .
3. Iritfirv'ju k a a naučna_m etoda^luži-priA :«/j/;’aH7 « info rin a cija . T o isk lju č u je
d ru g e v rste ra z g o v o ra k o je slu ž e razm en i in fo rm a cija, tera p iji, d av an ju
in fo rm a cija in te rv ju isa n o m i dr.

A k o se u p rak si u k a že p o tre b a z a o d stu p a n je m od n e k e o d p rv e dve

p o sta v k e in te rv ju a, treb a j e p a ž ljiv o ra z m o triti, o b e zb e d iti d a p ra v ilo n e p o sred -
nosti i p risu stv a sam o d v e o so b e b u đ e u što većoj m eri p o što v a n o , o b e z b e d iti da
svi in te rv ju isa n i b u d u u istoj p o z ic iji, k o m p e n z ira ti odsU ipanje n e k im d ru g im
k v a lite to m itd.
tl3jjednostavniia_defmicija_intervjua_kao j!aučae_metDde._bil3 hi_-da_je
; J}]ie.ryjii.m em i-instEiim m tiiM m kan3aj}.ponašanju.XQ bi,.fie.syegSL^zn?LČ ilQ _dase
l_pdg(3yoriintervjuisanog4ia pažljivaxidabrana,.4aslaylj ena i postavljena-pitanja
I mQi:aiu_Rrevesti-Uj?ie£e,nekib-5yQistava - Variia
 njii. I mImi ilrliiiiMiiil iiitei'vjupodleže svim pMviliinii rvnlinu i|c iik-iiii Ii iiislriiine-!
iKitii, intiMi |iiPMi'il()Viiti objektivnost, poiiz(i:iiu),sl i viiluiiiosl Mcctiiliiii, iiilcrvju je
o,smivii.i iiiclo<la u mnogim kvalitalivnim p.ii:iili)'.iiiaiiia i laiiio se ne operiše
tcriiiiniiiii iiicicnja, Ipak, nestrukturisani (v kasiii|c), kvalilalivni inlervju se mora
podvii I kiiiliiaiijii i identifikovanju kljiičiiili Lili'f,iii i/n (v, pogiavlje o kodiranju),
To |c piilii''no slična operacija i<ojoiii sc pilaii|ii i oilgovori u strukturisanom
(kvaniilalivnom) intervjuu pretvara|ii ii vaii|ai)lc,
11 ilclii o inerenju stavova piiiiiciiuic sii (liicklne i indirektne tehnike za isni-
tivaiiic slavova. Intervju i upiliiik sii \nc\c}.i\oilircktneilipoludiiiektmJeJv '
znači ila sxjspitanici najčcšćc iliickiiio i)itaiu.o,stvarima koie su nrednn'
'vanj.a. Međutim, intervju sc piilii.'no čcslo koristi-u-situacijamau kojima u;uipu;i.
. posloji saznanje da ispiiaiiici iici c l)ili spremni,,ilijaeć.eJjiti.u mogućnosli ila (lajii
,iskrene_odgoypre. U lini sliičajcvinia.seJntervjuer-m ora skižili maiijc ili vi.^e
in d ir e k tu im te h n ik a n u i, kao Slo sa.postavljanje_pjtanja „izokola”, posiiialiaiijc
jieverbalnog pona.šaiija, dclaljnijom-naknadnom analii'oin za|)isnika sa iiilcrvjiia i
sl. U pogledu ncvcrbalne komunika^ij^mtervjucr ćc pvalili da li pasloji oklcv^^^injc
u odgovaraniii. ))auze. mimika. gestikulacija, snižavanjc i povJ.šavanjc lona i sl.
Obično se za prinicr takvog indireklnog inlcivjiia iiziiiia klinički inlcrvjii,
V rstc iii(i'i v jiia .-U klasičnoj lilcialiii i sc obično nalazi podcla inlcivjiia na
^stniktiirisiiiii' 'j rj^'.striiktjirisgnc,''oćnosuo staijdardizo\uinc i ncstjiiidiirdizovdnc.
I )anas /naiiio da su to dva pola jcdne dimenzije po kojoj se intcrvjui i intervjucri '
nio(’ii lazlikovati, ali da postoje mnogi stepeni, nijanse i p re k la p a n ja ,J v ^ g i^
.inloi i iikaziijii na tojla potpimjD nestriiktur^anj^intervju.ne gostoji
ncobaveznog ća^anja, Zato oni preporučuju \txm in.}^o lu stru k tu ris a n i in te rv ju j
(neka’daTe sreće naziv,kvazi stnikturisani.inlervju, sa jednom drukčijom konota-
cijom), je r isjraživač uvek mora usrcdjjicdivali razgpv5 r.na.problem.zbog..Qijeg.
izučavanja je.do ra^gpvora uopštc do.šk).
Kod neslnikturisanog jntervjiia (ncslandardizovanog ili dubinskog, cngl, in-
depth), na sadržaj i tok intervjua, kao i na kategorije koje se beleže n a jv iše utiče^
.sam ispitanik. Istraživač mora jedino da raspolaže skupom pojmova i tema koji se
istražuju. Ža razliku od strukturisanog intervjua sa fiksnim izborom kategorija
odgovora, diibinski ili pokistrukturisani inIeryiu..Q.mpgućuie svakom ispitaniku da
se usredsredi na pk^anja koja_sujijemiL_Yažaa. Na primer, ako se istražuje proceš
adaptacije Ijudi na hronične bolesti, istraživač može želeti da ispila koje su to
oblasti života koje ispitanik oseća kao posebno važne i u kojima mu je važno da
sačuva život kao što je bio pre bolesti (recimo da želi da zadrži stari hobi, kao
pecanje). Takode, može biti važno da istraživač prikupi podatke od obolclih o
tome kako procenjuju svoj život pre i posle početka bolesti. Slabije strukturisanil
intervjui se smatraju pogodnijim za: a) prikupljanje eelovitih i detaljnih podataka
o pojedincu, b) prikupljanje inicijalnih podataka o nekoj pojavi i e) za gradnju
teorije.
U striik-ti]risnnon3.i standardizovanom intervjuu s u p ita n ja k o ja s e p o sta v lja -
ju , n jih o v r e d p s le d i fo rm u la c ija fik sn j. Intervjueru se omogumva-da-daie-dopun-
ska obiašnienia iIi-da.postaylia.potpitania. ali je ta sloboda u n ap r.ed planirana i
definisana. Pošto se standardizovani intervju vodi na osnovu pripremljenog upit-
nika, odnosno plana intervjua, yrlo_je„malajazlikaizmeđu^ojve^vrstejntervjua _i
.metode upitnika sa .ličnim..intervjuisanjem. U poglavlju o upitniku student može
naći detaljnija pravila za vođenje strukturisanog intervjua. Standardizovani int^r-
vjui su neophodni ako želimo daLa) poredirnojspLtanikemeđusobno, h).analizira-
mo.razvoj neke pojave tokom.yremetia i c).proyerimQ.iLeku-teQriju.ili,hipX!,tezu.
Neki autori u polustandardizovani interviu ubraiaiu i interviu u kliničkoj
psihologij i koj i se koristiu cilju dijagnostikavanja.psihičkih poremećaj a.i iegoba,
a ^ g im i u ciljti psihoi^^^^^ Dmgi autori smatraju j a je klinički.intervju pos,eb-
na vrsta intervjua. To nas dovodi do toga da se iriteryjui_mo.ga.-podeliti-i.-prema
n a m e n iz a k o ju 5« j£ravoJe,.pilnDsno..prema.njihDvom Tako, osim po-
menutog kliničkog intervjua postoje i intervjui.prilikom-zapošljavanja, intervjui
sa ekspertima koji se sprovode da bi se prikupile informacije o nekoj oblasti, itd.
_ Intervjui.koji su Mmenjeni analiziJičnostirispitanika,jJ.ijijegoTO^ponaša-_.
_nja ili stayova,,mogu bitjjyriq raznoJ.ikipo.sadržajiijA jrri]^
različite nivoe standardizacije.
S drage strane, intervjui koji se fokusiraju na neko konkretno pitanje, kao
što je npr. preferencija nekih dnevnih listova, jesu kratki i prilično ujednačeni što
se tiče fomie.
Intervju se može koristiti za prikupljanje ili proveru sociometrijskih poda-
taka (v.), u studiji slučaja (v.), i u praktično svim vrstama istraživanja, od eksperi-
mentalnih do terenskih.
S provođenje intervjua - Intervju ima otyaranje, gl^vni to ^ i završetak.
Tokom otvaranja treba „probiti le d ’’ i s tv m iti _.paMolJnu..Jc/inm za ja z g o v g r .
Povoljna klima, naravno, zavisi od oba učesnika, ali o.d inteo'juera se.oče.kujejla
vodi glavnu reč. Intervjuer..mora..z«g/i..<ia-.s'-&«a, što znači da mora biti strpljiv, da
zna da razlikuje bitno od nebitnogjj onome-štD-čuje.ida.ne.prekida.-.iji.e u p ^ a u
reč intervjuisanom dok ovaj- izlaže ideju. Fomialne razlike u statusu intervjuera i
intervjuisariog.znatno.utiču na.kljmu inteiyjua. Na fonpaini status utiču verbalni
i neverbalni faktori. U yerbalne„.faktore spadaju, način .obraćanja, uobičajene
učtivosti i neobavezne rečenice, kao i upjDtreba žargona. N jim rhalniJaktori. s,u
način odevanja i mesto intervjua. Odnos dve strane će biti prisniji ukohko obe
dele isti referentni okvir, odnosno pogled na svet (što bi značilo da je bolje kad
sličnog inteiTjuiše sličan). M ijrno nayikli da donosimD sudove o drtigim Ijudima
odmah i sad, često na osnovu prv’og utjska. Int^rvjuer treba da se čuva takvih
zaključaka jer oni mogu uticati na to kako će Dtvoriti intervju. S druge strane,
intervjuer Ireba da zna.da.čita..„rnale.siguale”.
Tgkom otvaranja jntervjua ispitanika treba usmeriti..i.pripremiti..za glavni_
.tok. Treba mu objasn.iti syriiu.interyjua ig la v n e teme. Zatim je dobro da mu se
dadne procena vremena trajanja, kao i način upotrebe informacija, odnosno
stepen anonimnosti. Može se apelovati n^is£itanikovu saradnju,^pri. čemu se
može koristiti isticanje značaja^interyju.a_.e.v.entua.h!.a..nagrada (materijalna ih
nematerijalna), objašnjenje kako je ušao u uzorak i Dbav.eštenje o organizaciji
koja je naračila ilisprovDdi.is.traživanje.
 Glavni tok.intervgua-se..sastoji. od,pitanja ijDdgo.vora. E.roblem formulacije,
odnosno formata pitanja je veoma sličan problemu izbora i sastavljanja stavki u
psihološkim testovima i upitnicima. Xq se odnosi prvenstveno na standardizovani.
ali u dobroj meri.i .na p p lu s tm d ^ d iT O ^ samo na različit način. Pjtanja_^
mogu biti otvorgna i]i.z.9iY9rena, ditot^m inajli pojitpmna, ,sa. ne
denim kategprijama. U pitanjima sa uređenim kategorijama se od ispitanika traži
da iznese stepen svog slaganja sa nekom tvrdnjom, da oceni učestalost nekog
ponašanja, da rangira neke objekte i sl.
Što se_tiče opšte p rg an ]z^ je jn te ry ju a i redosieda„pitanja,.ppstojinekoliko
.osnpvnih strategija.
• Z.^eva£/Strategij^bv^a_se._kQristLkada.interyjuisani_dobrQ..poznaje.nia7
teriju i kada je^spreman da^o.nj.oj.govori slpbifidno, ili kadajjse^ća pptrebu
da..snažno izrazi-svoj .stav. Ovo je najčešća strategijajza,r-eđanje.pitanja.u,
mtprvju. Sastoii,s.e. u tome da se počne sa širokim, o p št^ _ o tv orenim.Lus-
meravajućim p ita n ji^ , pa se prelazi na sve specifičnij a,-da b i se-tekjia
.kraju postavijaiajiirektnaj^kp, pitanja.
• LObrnuti'levaKjStmtegiia obmutog ili inverznog levka je efikasna lcada
intervjuisanom teeba pomoći da se seti onoga Sto pitamo...ili ga treba moti-
visati da go.vpn. Eo .Qy.oj..strategiji intervju počinje2.«lweg/a|£e5y na počet-
ku se postavljaju osnovna ijkon^etna pitanja, a kasnije se traže pbjašnje-
nja i. dop.uusk.e .informacij e.
• fDijam anĆlS ovoj-steategiji.sc.kombinuje .Jcvak” i ..obmuti levak”.
Koristi.se onda kada je tematika osetljiva ili neprijatna za_mtervjuJsanog.
Pjačinje se.sa..spe.cLfičnim, zatvorenim phM jim a za koja mislimp da su bli-
ska ispitanikovpj^sitoaciji. Onda nastavijamp sa opštimiotvorem^
njima i kada..smatramo da smo razumeli ispitanikpvu situaciju i kada je
atmosfera pogodiM, prelazimo na pitanj a koj a sj.i djrektnaj specifična.
• {Tiinel/U ovoj strategiji sy_a..pLtanjaJmaju isti stepen-opštostii_otvore-
^nosti. Nema mogućnosti za variranje pitanja i probna pitanja, pa se ova^
strategija kpiisti kod je dnostavnih intervjua u.kojima se traže ppy.rš_ne
iirformacije.
Sve ove strategije treba razumeti kao mogući predložak plana intervjua, a
ne kao metodološki recept. Intervju može sadržavati više tcmatskih celina, ili
predmet istraživanja može biti polidimenzionalan, kada nijedna od navedenih
strategija pojedinačno neće biti odgovarajuća.
Zatvaranje intervjua često biva ispušteno iz plana intervjua, što nije dobro
za konkretno istraživanje, ali još više za naredna istraživanja. Kraj intervjua treba
najavid na pogodannačina, ^jm o;_j,M oje poglednje pifanjej.^.j”. V rlp je j^ is n o
•5a. intervjuer izloži svoje omovne zaključke, tečke^^aganjaj tj^ke neslagi^^^^ i
da iji proveri s a ^ te ^ u is a n m r ~ Korisna j e l kratka, neformalna diskusija, koju
treba započeti kad se magnetofon isključi ili notes zatvori, kada.se može zahvaliti
ispitaniku i ponovo gajrveritL_u_,anonirnnost^ (ako postoji i ako je potrebna).
 Intervjuer ne treba da uvodi nikakve nove infomiacije tokom te diskusije, ali se
često dešava da ispitanik, kad se opusti, emituje neke važne informacije.
Beleženje i sn im an je .- Što se tiče beleženja odROVflraispitanika, s_tandard-
na metodologija_prep_oruiuje_ki3mpleJno_snimanj_eJntenigua (audio ili video) i

jcasnije pravlienie transkripta. Međutim, Glaser je dao potpuno suprotnu prepo-

ruku: ništa’ne snimati ni zapisivati tokom samog intervjua, osim kratkih opaski,
nego sastavljati izveštaj odmah nakon (v. poglavlje o kodiranju).
Šjo se tiče vođenja beleški,^u_postoje dva. problejiia.„.Ako se nm ogojjiše,
intervjuisanom to m o ^ da singta j da klima bude loša (Ijudi vole da ih se gleda u
očrdok"govore)._Ako se malo p i ^ (i pri tome ne snima), OTda postoji očigkdan
problem memorisaniaTerna, rskaza i sadržaja od strane intervjuera. Za one koji
žele da se drže konstruktivističko-fenomenološke paradigme postoje preporuke da
se zapisuju samo opaske, komentari (engl, notes), ili da se razvije neki lični
sistem za memorisanje bitnih delova intervjua. Naravno, čini se da je najbolje
rešenje da se Glaserova tehnika opaski kombinuje sa kompletnim snimanjem. Ne
treba zaboraviti da se u otvaranju intervjua od ispitanika zatraži saglasnost za
snimanje.

H. Fokus grupe

F o k u s grup^_ se. nekada. n a z iv a ju d isk u sio n im . grupam .3 ,-a ^ n e k a d v rsto n i

g ru p n jh ,in te rv ju a , T e rm in d isk u sio n a g n ip a j e n a m estu , d o k fo k u s g ru p e nisu
g m p n i in terv ju i, U _gn!pnom intcrY juulalerY juexpj3S_tavlja_pitanj.a, a m t e ^
n H g n v a r a j i i , flnk se m e to d a fo k u s g n ip a z asn iv a n a d ij.kusJiiJlgjwy_a_?,rupe. F o k u s
’”g ru p e im aju o d 6 do 10 č la n o v a (n e k i d o z v o lja v a ju 4-12) i fo rm ira ju se n a
ra z lič ite n a čin e (v, k a sn ije ), G n ip e k o je su su v iše m ale n isu se p o k a z a le d o v o ljn o
stim u la tiv n e , a v e će g ru p e su tro m e , n e p ro d u k tiv n e, ili se d e le u klik e, F o k u s
g m p e i intervjui se č esto n a z iv a ju m e to d a m a za istra živ a n je m o tiva c ije . N a z iv
p o tič e o d to g a što se o v e m eto d e tip ič n o k o riste za istraž iv an je sta v o v a i p o n a ša -
n ja p o tro ša ča , Č esto se d e fin išu i k a o k v a lita tiv n i p ristu p ra z u m e v a n ju p o d g ru p a
u p o p u lac iji u p o g le d u n jih o v ih sv e sn ih , p o lu sv e sn ih i n e sv e sn ih p sih o lo šk ih i
so c io k u ltu ra ln ih o so b in a i p ro cesa,
lako je još Emory Bogardus koristio grupne intervjue za islraživanje socijal-
ne distance (v,), invencija fokus grupa se pnpisuje sociologu Robertu Mertonu,
koji je 40-tih godina XX veka počeo da koristi „fokusirani grupni intervju” za
istraživanje delotvornosti ratne propagande na radio programu, Danas se metoda
dosta koristi, ali se čini da svaki autor o njoj misli na drugačiji način, pa su i njene
primene ponekad prilično različite, Verovatno je suština fokus grupa u tome šta o
njima kaže David Morgan, jedan od najpoznatijih korisnika ove metode: „Glavno
svojstvo fokus grupa je da k o riste g ru p n u interakciju d a b i s e p r ik u p ilip o d a c i i
ste k li u v id i k o ji b i b ili tcško d o stu p n i b e z te in te ra k cije ”.
Fokus gm pe se formiraju sa zadalkom da organizovano diskutuju, pod
vođstvom moderatora ili facilitatora, o pitanjima koja su važna za istraživanje.
Tok diskusije se snima i kasnije analizira. Diskusija se organizuje, priprema i
vodi sa pretpostavkom da će, kao vrsta društvene interakcije, bolje pružiti uvid i
razumevanje u istraživanu pojavu nego što to može anketno istraživanje.
M o d e ra to r \\\ fa c ih ta to r (to obično nije sam istraživač) koristi set smemica
koje mu služe da upravlja diskusijom tako da sve važne teme budu pokrivene.
Diskusija obično počinje od opštih tema i postepeno ide ka specifičnim pitanjima
(tehnologija lev ka ). Diskusije obično traju od 1,5 do 3 sata. Mogu ranije da se
prekinu ako su neuspešne, a kad su duže, to obično znači da se učesnici po-
navljaju.
Najviše iskustva sa fokus grupama je prikupljeno u marketinškim istraživa-
njima, gde su potrošeni mihoni dolara na izučavanje načina kako da se Ijudi
ubede da kupe jednu, a ne drugu stvar (što čini osnovu ideje slobode volje,
humanosti i integriteta ličnosti). Danas bi se, čak, moglo reći, da su fokus grupe
prava „moda” u domenu marketinga, ali i dmgih disciphna (recimo istraživanje
efakata medija, Baćević, 2004).
Sve do nedavno ova metoda je bila slabo korišćena van biznisa i marketin-
ga, što je bilo povezano sa slabim korišćenjem kvalitativnih mctoda generalno.
Razvojem novih trendova (kao što su akciona i evaluativna istraživanja), zajedno
sa uvidom u teškoće anketnih istraživanja, kvalitativne metode su dobile na
značaju, posebno među autorima koji preferiraju fenomenološku perspektivu - pa
tako i metode fokus grupa.
Fokus grupe su posebno prikladne za sticanje ideja i uvida u nove dmštvene
pojave, usluge ili proizvode, odnosno za identifikaciju problema sa postojećim
proizvodima. One mogu biti bogat izvor informacija o tome kako različite druš-
tvene gmpe opažaju svoj status ili zajedničke teškoće. U tom smislu se grupne
diskusije mogu koristiti kao prcliminarni korak u kvantitativnoj studiji, da bi se
proverila relevantnost odredene teme ili da bi se stvorile hipoteze za terensko
istraživanje. Fokus grupe se mogu koristiti kao komplement raznim dmgim
grupnim tehnikama prikupljanja podataka, kao što su grupni intervjui.
U socijalnoj psihologiji se odavno koristi postavka koja generalno liči na
fokus grupe, a ima status eksperimentalnog ili kvazi-eksperimentalnog istraži-
vanja, u kojoj se ispituje dinamika malih gmpa, uticaj gmpe na stavove i ponaša-
nje članova. socijalna facilitacija i inhibicija, sklonost prihvatanja rizika itd.
Otuda je sasvim prirodno što neki autori za današnju modernu metodu koja se
zove „fokus grupe”, kažu da je metod izučavanja kako se stavovi i percepcije
razvijaju kroz interakciju sa drugim Ijudima i kako se mišljenja mogu menjati kao
rezultat interakcija.
Fokus gm pe se koriste kao zasebna i jedina istraživačka tehnika, ah im je
verovatno najbolja namena u generisanju hipoteza i za tumačenje rezultata kroz
triangulaciju sa drugim melodama prikupljanja podataka, prvenstveno iz anketnih
istraživanja.

1. Praktična pitanja organizacije i sprovođenja fokus

grupa

P rip rein a istraživanja. - Proces postavljanja i fokusiranja pitanja, kao i

kvalitet postavljenih pitanja presudno utiču na korisnost podataka iz fokus grupa.
Da bi grupna diskusija ispunila ciljeve i da bi moderator mogao uspešno obaviti
svoj posao, čitavo istraživanje mora biti dobro pripremljeno. Kao prvo, mora se
pripremiti spisak glavnih tema. Taj spisak mora biti vrlo kratak (npr. maks. 3), a
nekada postoji samo jedna tema. Svaka tema se može razbiti na nekoliko
podtema. Teme, podteme i pitanja se izvode iz cilja istraživanja i istraživačkih
pitanja, ali i raspoloživih resursa - baš kao i u svakom drugom istraživanju.
Na osnovu odabranih tema i podtema formuHšu se osnovna pitanja i smemi-
ce za diskusiju koje se, pregledno pripremljene, predaju moderatoru. Pitanja koja
moderator niože da postavlja su u formi: „izvolite nastaviti”, „može li neko da da
primer za...”, „možete li reći još nešto o...”, ,,šta smo sve dosada govorili o...”,
„dobro, šta generalno mislite o...”. Međutim, u zavisnosti od teme i potreba naru-
čioca, diskusija se može voditi više strukturirano, sa većim brojem konkretnih
pitanja.
Spisak pitanja i drugih uputstava dostavlja se moderatorima u oblikupriru-
čnika, vodiča ili protolcola diskusije (slično protokolu posmatranja, v.). Protokol
treba da bude dobar, detaljan, obuhvatan i strukturiran (da ukazuje na redosled
pitanja, npr.). S obzirom da diskusija mora biti slobodna, odmah je jasno da nije
lako sastaviti protokol koji će ispuniti oba cilja - slobodu i fokusiranost.
P rip rem a m oderatora. - Ličnost moderatora i njegova veština u tom poslu
su od najveće važnosti. Neki autori smatraju da sam istraživač ne treba da bude
moderator, dok dnagi to ne sprečavaju.
U drugim poglavljima (neki problemi istraživanja i etapa anketara u poglav-
Iju 0 uzorkovanju) ćemo govoriti o veštini anketara u anketnim istraživanjima,
koja je zbir iskustva i ličnih osobina i teško se unapred može prepoznati. Isto važi
za moderatora. Njegov glavni posao je da učini da diskusija dobro počne i d a je
kasnije dobro vodi. Moderator mora da zna kako da izađe na kraj sa teškim
učesnicima i mora uvek očekivati probleme. Idcalno, m oderator bi morao
poznavati principe grupne dinamike i facilitacije gnipne diskusije, s jedne strane,
a s druge, osnove teme koja se diskutuje - nepristrasno, sa izvesnom distancom i
perspektivom. Pošto se fokus grupe najčešće koriste u marketingu, značajno je da
moderator bude nezavisan i nepristrasan u odnosu na temu (proizvod) koja se
ispituje. Postoji, naime praksa da same marketinške agencije osnivaju vlastitu
„službu” za fokus grupe, sa vlastitim moderatorima, koji onda ispituju efekte
njihove propagande. Kritičari takve prakse tvrde da je to isto kao da se „lisice
postave za čuvare kokošinjca” (u poslovnom smislu ovo vcrovatno predstavlja
problem, ali pošto su marketinška istraživanja od veoma malog naučnog značaja,
ne bi se moglo reći da je sama metoda opterećena tim nedostatkom).
Tok diskusije se odvija na osnovu izlaganja učesnika (oni ga usmeravaju
onime što govore), ali je očigledno da bi puna sloboda bila kontraproduktivna, pa
je uloga modcratora da vraća diskusiju u okvire koji su od interesa za istraživanje.
Izbor učesnika. - Sledeća kritična faza je izbor učesnika. Kompozicija
grupe i njena interakcija sa osobinama moderatora (npr. socijalnim statusom i
polom) mogu uticati na tok diskusije i na prikupljene podatke (npr. osećanje pri-
jatnosti u grupi utiče na intimnost iskaza koji se prikupljaju).
Sastav grupe zavisi od predmeta istraživanja, ali i opšteg teorijskog pristupa
istraživača. Istraživači koji insistiraju na kvalitativnoj metodologiji fenomeno-
loške ili konstruktivističke vrste preferiraće grupe u kojima se Ijudi poznaju,
odnosno već postojeće grupe. To mogu biti porodice, prijatelji, zaposleni i sl.
Postoji tehnologija prikupljanja članova tako da par pozvanih učesnika sami
dovedu svoje prijatelje. U takvim grupama se može bolje implcmentirati inter-
akcija, slobodna komunikacija, smejanje, zadirkivanje, izazivanje, naklonost i dr.
Drugi istraživači smatraju da istraživanje prijateljskih grupa pre liči na
studiju slučaja i da informacije koje oni mogu da pruže nemaju ekstemu valid-
nost. Zato će ti istraživači nastojati da učesnici imaju odrcdeni skup osobina ih
iskustava, odnosno da budu reprezentativni za neku društvenu grupu (npr. grupu
potrošača nekog proizvoda ili glasača za neku stranku). Neki autori čak smatraju
da se učesnici uopšte ne smeju medusobno poznavati.
Učesnisi mogu biti odabrani na osnovu istih zdravstvenih problema, ili zato
što slušaju istu radio stanicu, ili mogu pripadati starosnoj grupi koja je posebno
relevantna za predmet istraživanja. Da bi se olakšala konverzacija, preporučljivo
je da učesnici budu sličnih socio-demografskih osobina; atmosfera mora biti
relaksirana a organizacija što prirodnija.
Način prikupljanja učesnika zavisi od ciljeva i namene istraživanja. Čest
slučaj je da se učesnici nalaze tokom nekih prethodnih anketnih istraživanja.
Anketari ih tom prilikom mogu direktno pitati da li su spremni da učestvuju u
fokus grupama, ili, po instrukcijama istraživača, anketari prave spisak pogodnih
osoba sa imenom i adresom. Nažalost, kod nas nastaju problemi vezani za ano-
nimnost kad se istraživač kasnije obrati tim osobama i pita ih da li bi učestvovali
u fokus grupi (iako je anketa, navodno, bila anonimna).
Učesnici se mogu angažovati na ulici, na primer, ako su kupili neki proiz-
vod, ili ako na uglu piju neko piće sa dništvom. Mogu se birati učesnici demon-
stracija i utakmica. Naravno, pri izboru treba poštovati spomenuta pravila
reprezentativnosti, ujednačenosti o.sobina i stavova, odnosno posedovanja nekih
specifičnih karakteristika (npr. političkog ili nekog drugog opredeljenja). Za
sticanje uvida u neku novu oblast pokazalo se kao veoma korisno da učesnici
diskusije poseduju stručnost i znanje za tu oblast (Baćević. 2004).
Učestvovanje mora biti u prineipu dobrovoljno. Medutim, ako istraživanje
tako nalaže, dobrovoljnost se može relativizirati kroz izvesne pritiske za prisust-
vovanje (npr. pritisak može da izvrši socijalni radnik). Vrlo dobra praksa je da se
učestvovanje honoriše. Kod nas bi okvima, razumna suma, u trenutku pisanja
ovog teksta bila oko 50€, plus plaćanje putnih i drugih troškova.
Postoje primeri da se u fokus gmpe uključuju instmirani saradnici, koji
imaju zadatak da zastupaju neki određeni stav ili mišljenje (kako to ne bi radio
moderator, koji to ne sme). Medutim, takva postavka više liči na kvazieksperi-
mentalne nacrte u socijalnoj psihologiji.
Sprovođenje istraživanja. - Nema preciznih uputstava što se tiče broja
fokus grupa koje treba ispitati u okviru istraživanja jednog problema. Konstmk-
tivistička paradigma sugeriše da broj grupa, odnosno broj diskusija ne treba
ograničavati, sve dok se značenja i pojmovi ne razjasne i stabiUzuju. Međutim,
uobičajeno je da bude četiri do osam fokus gmpa (Baćević, 2004), ali to zavisi od
problema, od raspoloživog vremena, od predvidenog trajanja diskusija ali i od
novca. Ista fokus grupa se može okupiti i više puta, sa ciljem da se razjasne pret-
hodna pitanja.
Što se tiče lokacije održavanja fokus gmpe, praksa je pokazala da prostorije
instituta ili univerziteta, odnosno kancelarije istraživača, koje se inače često
koriste, nisu dobre. Učesnici se ne osećaju dobro na fakuUetima i osećaju da su tu
dovedeni za nečije potrebe. S druge strane, sale u mesnim zajednicima ili stanovi
nekog od učesnika su tuđi drugim učesnicima. To ne važi za slučaj kada grupu
čine članovi porodice ili prijatelji -naprotiv, njima će najudobnije biti u vlastitom
stanu. Sale za konferencije u hotelima su, recimo, jedno dobro kompromisno
mesto kada se članovi ne poznaju.
Kada se članovi ne poznaju, situacija je nužno veštačka, pa se kroz organi-
zaciju i delovanje moderatora mora učiniti opuštenijom kako bi se učesnici
osećali konfomo i otvoreno. Npr. korisno je da postoji posluženje (sokovi, kafa,
keksi) tokom diskusije.
Nakon uspostavljanja kontakta i predstavljanja, u zavisnosti od teme
diskusije, treba „dati šlagvort” tako što će se prikazati uvodni film, reklamni spot,
pročitati neki tekst, odnosno objasniti učesnicima predmet i cilj diskusije.
Takode, članovi grupe mogu dobiti zadatak da prouče neki materijal pre sastanka.
Diskusija se mora snimati. Vodenje beleški od strane moderatora negativno
utiče na odvijanje diskusije. Najbolje je snimanje video kamerom, jer se tako vide
i neverbalne aktivnosti. Međutim, ako se želi da snimak bude na profesionalnom
nivou onda treba obezbediti dobro osvetljenje i više video kamera. U tim uslovi-
ma se Ijudi obično osećaju neprijatno. U svakom slučaju, snimanje mora biti kva-
litetno, trake se moraju menjati brzo i luedno i svakako treba izbegavati testiranje
opreme na početku i tokom same diskusije (duvanje u mikrofone i vikanje „1, 2,

Vrlo često naručilac istraživanja traži da bude prisutan tokom diskusije, ali
u zasebnoj prostoriji, u kom slučaju se diskusija mora sniniati video kamerom i
prikazivati na monitom u toj prostoriji. Ranije, pre nego što su postojale video
kamere, diskusiji je neposredno prisustvovao pomoćnik moderatora koji je
beležio neverbalne signale, menjao audio trake i kasnije poniagao u analizi poda-
taka. Danas diskusiji neposredno prisustvuje obično samo moderator, kako bi se
što više eliminisala arteficijeinost situacije i uticaj istraživača. Dobro opremljene
istraživačke ustanove poseduju sobe sa jednosmernim ogledalima, iza kojili mogu
da sede drugi istraživači ili predstavnici naručioca.
Neki autori naglašavaju važnost što manjeg učešća facilitatora u diskusiji,
dok su diTigi slobodniji i kažu, npr. da moderator pri kraju može postavljati više
detaljnih pitanja ili može zahtevati da se objasne različita mišljenja izneta u grupi
(što oni prvi autori smatraju jeresi). Ipak, postoji opšta saglasnost da uloga
moderatora, u celini, mora biti nedirektivna.
lako diskusija mora biti slobodna što se tiče sadržaja onoga što pojedinci
govore, ona neizostavno mora poštovati sledeće norme:
1. Moderator ne sme biti diskutant.
2. Svi učesnici moraju učestvovati u diskusiji (manje ili više).
3. Nema diskutovanja uglas.
4. Učesnici se obraćaju jedan drugom imenom i/ili prezimenom, u skladu sa
pristojnošću i običajima sredine odakle potiču. Ne koriste se titule i drugi
elementi koji bi uticali na neravnopravno učešće članova (recimo da se
stariji obrađaju mladima sa ,,ti”).
5. Nijedan učesnik ne sme preuzeti ulogu „vode debatne grupe”. U tom
cilju je korisno da učesnici sede za okruglim stolom.
Kad diskusija zamre, moderator ne treba panično da pokušava da je uspos-
tavi postavljanjem niza pitanja. U tom slučaju će se diskusija svesti na odgovara-
nje na pitanja, odnosno na grupni intervju, u kome se ista pitanja postavljaju
čitavoj grupi, a grupa na njih odgovara. Jedna dobra tehnika za oživljavanje
diskusije je da se tokom pripreme fokus grupe napravi lista ključnih tema, dilema
i pitanja koja mogu da iskrsnu tokom diskusije i da se moderator njima posluži za
oživljavanje diskusije (ali pažljivo i štedljivo). Kao dobra, pokazala se telmika
„šutnje”, kada moderator izvesno kraće vreme ne pokušava ništa. Taj svojevrsni
pritisak na sagovomike funkcioniše u svim vrstama intervjua.
Učesnici obično traže od moderatora dozvolu da govore. Takode, često
traže podršku ih odobravanje. Čest je slučaj da se na početku diskusije „drže
reda” sedenja za stolom. Te pojave štete slobodi diskusije i ciljevima istraživanja
(osim ako upravo te pojave nisu njegov predmet). U tom cilju moderator treba da
kontroliše svoj „kontakt očima” sa učesnicima, klimanje glavom, osmehivanje i
druge oblike „govora tela”. Ovakve oblike podrške može da primenjuje jedino da
ohrabri učesnike koji malo govore.
Često se javlja problem sa nekim učesnicima koji nastoje da drže reč,
prekidajući dnige. Takvi Ijudi to obično rade tako da „hvataju” pauze koje neki
govomik napravi i u tom trenutku upadaju sa svojom diskusijom. Moderator mora
posedovati veštinu da igra tu ignr brže od onih koji upadaju drugima u reč i da
usmerava diskusiju na drugu stranu. Ako to ne pomaže, još uvek postoji šansa da
sami učesnici neće dozvohti da budu prekidani.
Nasuprot tome, postoje Ijudi koji uglavnom šute, Zadatak moderatora je da
i njih uključi u diskusiju, ako treba i tako što će im se direktno obraćati.
 A naliza podataka. - Prepis diskusije sa trake moraju da vrše osobe koje
poznaju problematiku i imaju iskustvo u tom poslu (daktilografkinje nisu za to
pogodne). Engleske norme su oko 7 minuta za prepis jedne minute snimljenog
razgovora. Učešće svakog diskutanta treba da bude označeno njegovim imenom i
jasno odvojeno od drugih. Prepis treba da ima dovoljno mesta za komentare koje
će istraživač kasnije upisivati tokom analize sadržaja diskusije. Obavezno treba
uključiti razne identifikacije kao što su datum, ime moderatora, naziv istraživanja,
oznaka audio ili video trake sa koje je vršen prepis, ime diskutanta itd.
Analiza prepisa diskusije podleže opštim pravilima kodiranja tekstualnih
podataka (v. odgovarajuće poglavlje). U najkraćem, istraživač treba da opiše,
ilustruje i analizira osnovne (istakmite) teme iznete tokom diskusije, ali isto tako
i latentne teme. Analizu i konačni izveštaj po pravilu piše moderator, koji osim
rezimea diskusije (analize njenog sadržaja) može i treba da opiše dodatne utiske i
zapažanja koji mogu biti relevantni.

2. Izvori ugrožavanja validnosti u fol<us grupama

Učesnici mogu da obmanjuju namerno ih nenamemo u svojim diskusijama.

Unatoč pažnji koju je posvetio izboru članova grupe, istraživač ne može biti
siguran u motive svih učesnika. Najčešći uzroci obmanjivanja (laganja) su nepo-
verenje prema ciljevima istraživanja, prema „snimanju”, prema moderatoru ili
prema ostalim učesnieima. S obzirom da se u socijalnoj psihologiji koriste pot-
pune iste postavke (nacrti) kao što su fokus grupe da bi se demonstrirale pojave
kao što su konformiranje stavovima grupe, socijalna faeilitacija i inhibicija,
socijalna poželjnost itd., sasvim je jasno da će sve to postojati i kada se takva
postavka koristi za prikupljanje podataka. To dobar moderator i dobra opšta
organizacija ispitivanja može umanjiti, ali ne može nikad potpuno ukloniti. Ko-
načno, prednosti kvalitativnih metoda se baziraju na „interaktivnosti socijalnog
istraživanja” i izgleda kontradiktorno da se roetodološkim postupcim a ta
interakcija nastoji eliminisati.
Postoje i dmge mogućnosti gubljenja validnosti, kao što su nerazumevanje
žargona i lokahzama, a dobro je poznato da nisu svi Ijudi vešti da tačno izraze
svoja mišljenja.
Vrlo je korisno da se učesnici fokus gmpe intervjuišu individualno nakon
obavljene diskusije, ili da im se da anketni upitnik. U intervjuu ili upitniku oba-
vezno treba pitati kako su se osećali, da li su bili otvoreni, da li misle da su drugi
bih otvoreni, da h misle da su rekli šta su želeli itd. Intervju se može obaviti ne
samo nakon diskusije, nego i kasnije, tokom analize sadržaja diskusije, ako
istraživač misli da nije razumco ono što su neki učesnici govorili.
 Glava IV, Metode i tehnike merenja ❖ 359

3. Nedostaci fokus grupa

lako se fokus grupe mogu ukratko defmisati kao „intervju + grupna

dinamika” (sa naglaskom na grupnoj dinamici), analiza objavljenih istraživanja je
pokazala da u većini nije postojala stvarna dislcusija izmedu učesnika, nego su
oni govorili jedan po jedan i obraćali se moderatoru. Najviše komunikacije je,
izgleda, registrovano unutar grupa koje se poznaju, ali se njima, opravdano,
poriče generalizabilnost.
Kao što nijedan anketni upitnik ne može postaviti sva pitanja koja mogu biti
relevantna za neku temu, tako se ni od učesnika fokus grupe ne može očekivati da
znaju, da se sećaju, ili da su razmišljali o svim aspektima pojave koja se ispituje.
Cak i ako se organizuje serija fokus grupa, opet će, na žalost istraživača, ostati
nedirnutih tema, a neke teme će se (bespotrebno) ponavljati.
Pošto su fokus grupe „interaktivna metoda”, ni najbolja selekcija učesnika,
ni najbolja priprema i organizacija tema, kategorija i pitanja, ni najbolji moderator
ne mogu otkloniti zamrle diskusije, sukobe između učesnika, prekinute diskusije,
gubitak glavne niti itd.
Lični intervju ima prednost nad fokus grupama kada se istražuju osetljive
teme kao što su seksualni stavovi i ponašanje, bolesti u krajnjem stadijumu ili
smrtni slučaj (kao npr. samoubistvo) u porodici...
Naravno, fokus grupe su krajnje nepogodne za donošenje kvantitativnih
zaključaka (kao što je recimo generalizacija na populaciju), a za njih važe i svi
ostali načelni nedostaci kvalitativnih metoda koji su diskutovani ranije. Unatoč
tome, postoje prilično brojni primeri statističke analtze podataka iz fokus grupa,
kao što je poređenja profda „potrošača” i „nepotrošača”, analiza kontingencionih
tabela i sl. S obzirom na to da su grupe maie, da su nereprezentativne i da je način
prikupljanja podataka neobjektivan, ne preporučuje se kvantifikacija nalaza u
fokus grupama, a pogotovo korišćenje statistike zaključivanja.
Neki autori ukazuju i na izvesne epistemološke probleme fokus grupa kao
kvalitativnih metoda. Recimo, sa konstruktivističkog stanovišta, u fokus grupi se
konstruišu značenja koja su specifična za taj socijaLni milje. Iz toga sledi da bi isti
ispitanici u dmgoj grupi, u nekom drugom kontekstu, pogotovo u drugoj metodi
prikupljanja podataka, m ožda produkovali drugačije diskusije i drugačija
značenja. Zatim, postojeće grape (porodice i prijatelji) imaju svoja intema pravila
i značenja, koja nisu generalizabilna. Ako se učesnici ne poznaju, onda se treba
podsetiti Sherifovog eksperimenta sa stvaranjein grupnih normi - za očekivati je
da će isti proces delovati i u fokus grupama. Takode, epistemološki nije razjašnje-
no da li se nalazi na grupi mogu preslikati na učesnike-pojedince i na koji način,
tj. da li se u fokus grupama analiziraju pojedinci ili gmpa.
 I. Analiza socijalne mreže i sociometrija

Osnovna dva pojma teorije mreža su čvor (engl. node) ; relacija. M reža je
skup čvorova i relacija između njih. Da bismo nešto proglasili inrežom, moramo
imati najmanje dva čvora i jednu relaciju. U socijalnoj mreži čvorovi predstav-
Ijaju neke socijalne objekte; osobe, grupe ili organizacije. D ništvene nauke se
najčešće bave socijalnim mrežama u kojima su čvorovi Ijudi, a relacije odnosi
među Ijudima. U naukama o ponašanju čvorovi mogu biti i životinje, u nekim
drugim oblastima to su računari, a u matematici čvorovi su apstraktni objekti
(Kadushin, 2004),
Relacije mogu biti usmerene iU neusmerene. Prim er za neusmerenu vezu je
„sede u istoj sobi”. Usmerene veze mogu biti jednosm erne (intrazitivne) ili dvo-
sm erne-uzajamne (recipročne, simetrične, tranzitivne). Prim er za jednosm ernu
vczu je ,,A voH B”, a za dvosmemu ,,A i B se vole”.Osim toga, čvorovi u mreži
mogu biti povezani sa više od jedne relacije, u kom slučaju se one nazivaju
višestrukom vezom (engl. multiplex).

Slika 6. G raf socijalne mreže, odnosno sociogram.

Socijalna mreža se može prikazati na dva osnovna načina: kao g r a fi kao

matrica. G raf je specijalna vrsta dijagrama koja se sastoji od dva elementa:
čvorova i poteza-veza-relacija između njih. U zavisnosti od vrste relacija u grafli,
matematičari grafove socijalnih mreža nazivaju usmerenim ili orijentisanim, ili
prostim. G raf se simbolički prikazuje kao skup iRj kombinacija, gde / i j predstav-
Ijaju ma koja dva čvora, a R relaciju između njih. N a primer, je prijatelj sa/ ’, „;
uči sa/ ’ i sl. N a slici 6 prikazan je g raf jedne standardne socijalne mreže. Čvorovi
predstavljaju 10 osoba, a relacije označavaju da li osobe redovno razgovaraju
(komuniciraju) između sebe. N a primer, Saša i Milan ne razgovaraju između sebe
direktno, ali između njili postoje Olja i Anja sa kojima obojica razgovaraju.
Drugi način prikazivanja socijalne mreže je kvadratna matrica, koja u
redovima ima izvore relacija - birače, a u kolonama odredišta relacija - birane.
Gornji graf bi bio prikazan na sledeći način.
Tabela 11. M atrica socijalne mreže, sociometrijska matrica._________
Birani
Birači Anja Saša Ivan Nina Nada Milan Olja Jole Vesna Mara
Anja 1 1 1 1 1 1 0 0 0
Saša 1 - 1 1 0 0 1 0 0 0
Ivan 1 1 - 1 0 0 0 0 0 0
Nina 1 1 1 - 1 0 0 1 0 0
Nada 1 0 0 1 - 1 1 1 0 0
Milan 1 0 0 0 1 - 1 0 0 0
0!ja 1 1 0 0 1 1 - 0 0 0
Jole 0 0 0 1 1 0 0 - 1 0
Vesna 0 0 0 0 0 0 0 1 - 1
Mara 0 0 0 0 0 0 0 0 1

Ovo je najjednostavnija matrica socijalne mreže iz dva aspekta: sadrži samo

biname vrednosti (0 za „nema komunikaciju” i 1 za „ima komunikaciju) i sime-
trična je (jer je relacija „komunicira” simetrična-uzajamna).
Matrica socijalne mreže se može analizirati niatematički i statistički, kako
za pojedinačnog učesnika, tako i za mrežu u celini. Različiti pokazatelji se mogu
računati kako za redove (birače), tako i za kolone (birane). A naliza socijalne
m reže obuhvata grafičko prikazivanje i izračunavanje pokazatelja i mera na osno-
vu relacija u mreži.
Analiza socijalne mreže je poznata i pod r\a.z\vova.sociometrija. Ovaj termin
je 1930-tih godina skovao Jacob Moreno“ u okviru svog bavljenja interpersonal-
nom interakcijom u malim grupama, odnosno grupnom dinamikom. Originalna
Morenova sociometrija je imala značajan kvalitativni prizvuk. I danas se rezultati
analize socijahie mi'eže mogu analizirati kvalitativno, npr. kroz dopunske inter-
vjue i neposredno posmatranje. Medutim, današnja primena socijalnih mreža i
sociometrije je kvantitativna, pa je neki autori smatraju paradigmom kvanti-
tativnog skahranja u sociologiji. U torn značenju, sociometrija je ekvivalent
psihološkoj disciplini psihometriji i ekonomskoj disciplini ekonometriji, kao
implementacijama eminentno kvantitativnih metoda u ovim naukama. Drugi

“ Njegovo pravo ime je bilo Jacob Levi. Bio je neobična ličnost, samoživ, Ivrđio je
da „čuje glasove”, ponekad je mislio da je Bog i žalio se da mu drugi kradu ideje, iako baš
za temiin „soeiometrija” ima indicija da su zaslužni njegovi saradnici. Inače, i dalje je vrlo
ciliran autor, posebno njegovo delo: „Ko će preživeti” (Who Shall Survive).
autori vide analizu socijalnih mreža pre kao granu raatematičke sociologije, nego
kao primenu statistike u sociologiji.
V rste p o d ataka u socijalnoj m reži - Kao što je rečeno, matrica 11 prika-
zuje binarnu i dvosmemu relaciju „komunicira sa”. Kada bi se relacija drugačije
definisala, recimo kao „svida se”, strelice u grafu ne bi uvek bile na obe strane
relacije. N a primer, Saši bi se mogla sviđati Anja, ali se Saša ne bi morao svidati
Anji. Posledica na matricu bi bila to da matrica više ne bi bila simetrična: jedinica
bi postojala na ukrštanju Saše kao birača i Anje kao birane, a ne i na ukrštanju
Anje i Saše.
Nadalje, osimbinarnih relacija „ima-nerna”, koriste se i; nominahie, grupne
ordinalne, pune ordinalne i intervalne. Nominahie relacije se dobijaju kada svaki
učesnik dobije spisak ostahh učesnika i uz svakog od njih treba da upiše svoj
odnos s njim, npr.: prijatelj, Ijubavnik, cimer, ne poznaje ga i sl. Gmpna inter-
valne relacije se dobiju kada pored svakog učesnika treba upisati: dopada mi se,
ne dopada mi se, neutralan sam. Pune ordinahie relacije dobijaju se kada svaki
učesnik treba da rangira ostale učesnike prema tome kohko mu se sviđaju. Inter-
vahie relacije bi se dobile kada bismo, na primer, merih vreme koje dve osobe
provedu zajedno ih kohko e-mailova razmenjuju.
Nažalost, iako svi ovi tipovi relacija nose mnogo više informacija nego
binarne relacije, postojeća metodologija za anahzu socijalnih mreža ne omoguća-
va da se te informacije dobro koriste. N a primer, teškoće nastaju već pri crtanju
grafa socijah^e mreže čiji su relacije nominalne, ordinalne ih intervahie. Najjed-
nostavnije rešenje je da se pored svake strehce upisuje i vrsta ih „iznos” relacije.
Isto tako, sasvim je prirodno da Ijudi stupaju u razhčite vrste odnosa. Na
primer, socijahia mreža bi bila razhčita za pitanje „sa kime radite” i „sa kime se
družite”. Nažalost, iako teorija socijalnih mreža predviđa postojanje višestrukih
veza, njihova anahza nije najbolje razrađena. Najednostavnije je da se za svaki tip
relacije sprovede zasebna anahza, pa se rezuhati porede bilo kvantitativno, bilo
kvahtativno.
P rik u p ljan je podataka za socijalnii m rež u .- Podaci za izradu socijalne
nueže mogu se prikupljati na razhčite načine. Kao prvo, učesnici („čvorovi”) se
ne uzorkuju slučajno, nego su obično članovi neke organizacije, institucije, grupe
ih neke druge mreže. Klasična sociometrija se nije primenjivala na vrlo mahm i
vehkim grupama jer se smatralo da za male nije potrebna, a za vehke je bila
nepraktična. Današnji matematički modeli i softver za crtanje socijalne mreže ne
postavljaju nikakva posebna ograničenja za vehčinu grupe.
Relacije izmedu čvorova mogu se zaključiti iz različitih vrsta evidencija,
neposrednim posmatranjem, intervjuima, merenjem, a klasičan način je putem
sociometrijskog upitnika. Sociometrijski upitnik sadrži pitanja kao što su: „sa kim
biste želeli zajedno da radite”, ,,sa kim bisle voleli da provodite slobodno vreme”
i sl. „Zajednički rad” i „slobodno vreme” su tzv. sociom ethjski kriterijumi,
odnosno definicije relacije. Odgovaranje na upitnik je obično anonimno, a mogu
se dodati još i pitanja o sociodemografskim obeležjima učesnika. Neobične ili
 protivrečne konfiguracije mreže mogu se proveriti naknadnim intervjuisanjem
članova grupe.
M ere i pokazatelji socijalne m reže - Iz grafa 6 se vidi da Saša i Milan ne
komuniciraju direktno, ali postoje Anja i Olja sa kojima obojica komuniciraju.
Zato se za njih dvojicu kaže da imaju distancu dužine dva, a između Saše i Vesne
je distanca tri. Distanca je najnianji broj relacija (putanja, poteza) između dva
čvora. Učesnik koji ima manju prosečnu distancu prema ostalim učesnicima ima
veći uticaj, ili lakše prenosi informacije, ili lakše dobija informacije itd.
Drugi važan pojam mreže je gustina (engl. density). Gustina mreže se u
binamim mrežama iskazuje prosto kao odnos ostvarenih relacija prema maksimal-
nom mogućem broju relacija (kad su relacije intervalne, gustina se defmiše kao
odnos sume vrednosti relacija prema mogućoj sumi). U mrežama u kojima je
gustina veća informacije se brže prenose, veća je kohezija, učesnici imaju veća
socijalna ograničenja (predvidljiviji su) itd.
Sledeća važna grupa pokazatelja se odnosi na društvenu moč (kako radije
govore sociolozi i psiholozi), odnosno centralnost (kako radije govore mrežni
anaUtičari, Hanneman i Riddle, 2005). Ovi se pokazatelji obično odnose na poje-
dinačnog učesnika i nose nazive: stepen (engl. degree), zajedništvo (engl. betwe-
enness) i bliskost (engl. closeness). Na primer, najveći stepen ima Anja jer je
direktno povezana sa najviše Ijudi. Najveće zajedništvo ima Jole jer predstavlja
jedinu vezu između grupe Ijudi oko Anje i izdvojenog para. Najveću bhskost
imaju Nina i Nađa, je r imaju najmanju distancu prema svim ostahm osobama.
Postoje i mnogi drugi pokazatelji, od kojih su neki sasvim jednostavni, kao
što je vehčina mreže, a neki kompleksni, kao što su tok (engl. flow), reciprocitet,
sličnost/različitost i sl.
Sociom ctrijski in d e k s i- U klasičnoj sociometrijskoj tradiciji su se izraču-
navali različiti indeksi, kako za pojedinca, tako i za gnipu. Na primer, indeks
izbornog statusa osobe i se može izračunati kao: IS; = X^x/(n-I). Sa x su ozna-
čeni izbori koje je osoba i dobila, a sa n broj članova grupe (n-1 se koristi zato jer
osoba ne može birati samu sebe). Isto se može uraditi i za izbore koje je osoba
dala, ali za izbore koje osoba nije primila odnosno dala (kadaje;c;=0).
Cešće se koriste grupni indeksi. Recimo, ako je članovima omogućeno da
izaberu onoliko članova koliko žele, onda se može izračunati indeks grupne
ekspanzivnosti:

£ =~ , [22]

pri čemu je suma svih izbora svih članova grupe. Indeks E nije primenljiv
ako je broj izbora bio ograničen. Indeks giaipne kohezivnosti (sličan pojmu
gustine) može se izračunati kao:
 pri čemu predstavlja sumu svih uzajamnih izbora-parova u matrici). Može
se, takođe, izračunati indeks uključivosti grupe kao proporcija izolovanih osoba.
Indeks gustine grupe čini proporcija postojećih izbora (strelica) prema mogućem
broju izbora svih izbora (koji je jednak = n!/[(n - 2)!2!], broj pozitivnih prema
broju negativnih izbora (privlačenja prema odbijanju) itd.
S tru k tu re i su b stru k tu re m rež e.- Postoje tri osnovna „idealna tipa” mre-
že: zvezdasta, linijska-lančana i kružna-cirkularna. Takođe, ove tri strukture
mogu postojati, kao substrukture, u okviru veće mreže. Na primer, oko Anje
postoji nešto vrlo sHčno zvezdastoj mreži, a ako bi se Anja izbacila učesnici oko
nje bi formirali kružnu mi'ežu, dok Jole, Vesna i M ara čine linijsku mrežu.
Anja je zvezda ili vođa. Njen položaj u zvezdastoj strukturi donosiće joj
verovatno najveći uticaj ili moć. U linijskoj strukturi položaj prvog i zadnjeg
člana može biti vrlo povoljan ili nepovoljan u zavisnosti od prirode relacije (na
primer, razmotrite slučaj kada struktura predstavlja hijerarhiju izdavanja nare-
đenja).
Može se reći da je osnovna substruktura svake socijalne mreže dijada ili
par. Pri tome je važno da li je dijada izolovana od ostalih učesnika. Izolovan
može biti i pojedinačan učesnik i onda je obično predmet posebnog interesovanja
istraživača. Medutim, mreža može imati više izolovanih delova, bilo koje veličine
i strukture. Kao što je rečeno, ako postoji neki učesnik koji povezuje te delove, on
ima visoku centralnost (moć) zajedništva.
M ogu postojati još neki tipovi odnosa, kao npr. inoć iz pozadine, koja se
defmiše kao svojstvo neke osobe da je biraju zvezde (ona nije generalno omilje-
na, ali ima moć zato što utiče na zvezde). Vrlo su često istraživane klike. Narativ-
no rečeno, klikaje grupa učesnika koji su više povezani međusobno nego sa osta-
lim učesnicima. U terminologiji mreža, po strožijoj defmiciji, klika je segment
mreže u kome postoji maksimalna gustina, a po blažoj defmiciji, to je segment u
kome postoji visoka gustina. Pažljiv čitalac će uočiti da su različiti koncepti
mreže povezani i prepleteni, je r npr. klike imaju veze sa gustinom i izolovanošću.
Softver za analizu socijalne nircžc - Dok se Morenova sociometrija raču-
nala i crtala ručno, današnje analize socijalne mreže se obavljaju isključivo
pomoću računara. Postoji veći broj programa, ujavnom vlasništvu, ili komercijal-
nih, koji se mogu naći na Internetu. Program InFIow (http://www.orgnet.com/
infIow3.html) crta i izračunava mere i pokazatelje. KrackPlot je program za vizu-
alizaciju mreže poznatog autora Davida Krackhardta (http://www.contrib.andrew.
cmu.edu/~krack. SIENA je program za longitudinalnu analizu mreže (http://stat.
gamma.rug.nl/snijders/sicna.html). Važno je znati da postoji više matematičkih
modela za izračunavanje metrike mreže, kao što su Freemanov i Bonacichev za
mem stepena centralnosti, ili HubcII-Katzov, TayIorov i Stephenson-Zelenov za
mere bliskosti. Oni nekad daju slične rezullate, a nekad i ne. Osim specijalizova-
nih pristupa za računanje mrežnih pokazatelja, mnoge statističke tehnike stoje na
raspolaganju za analizu mrežne matrice: od raznih koeficijenata asocijacije (npr.
Pearsonovog r i nominalnih koeficijenata), do analize grupisanja (klaster analize)
i multidimenzionalnog skahranja. Poslednje dve baziraju na tome da mrežna
matrica nije ništa drugo do matrica bhskosti, odnosno distanci.
D iskusija.- Ako podatke prikupljamo upitnikom može sc postaviti pitanje
objektivnosti i realiteta izbora. Poznato je iz prakse da Ijudi javno radije daju
pozitivne izbore, nego negativne. Osim toga, ako se radi o deci, ih ako su grupe
„mlade” i čianovi se nedovoljno poznaju, odluke članova o privlačenju ih odbija-
nju mogu biti iznuđene. U nekim osetljivim zajednicama, kao što su zatvori, može
se sumnjati u tačnost datih izbora ne samo zato što postoje nesvesne simpatije i
mržnje, nego zato što se odnosi kriju. Ti nedostaci se mogu otkloniti dopunja-
vanjem podataka dobijenih upitnikom drugim tehnikama.
Osim toga, sociometrijski podaci odshkavaju presek grupnih odnosa u jed-
nom trenutku. S obzirom da se radi o „dinamici”; odnosi se stalno menjaju, jedni
parovi se kidaju, a drugi stvaraju, jedan sociogram ne znači i konačnu reč o odno-
sima u jednoj grupi. To se može prevazići tako da se sociometrijski podaci pri-
kupljaju u više vremenskih tačaka. Pomenuh smo program SIENA pomoću koga
možemo napraviti animirane sociograme, iz kojih se vide vremenske promene.
Većina opisanih primena anahze socijalne mreže spadaju u oblast neekspe-
rimentalnih istraživanja. Međutim, anahza socijahie tnreže se može koristiti i u
eksperimentalnim nacrtima. Na primer, vremenske promene u mrežnim pokazate-
Ijima se mogu koristiti za evaluaciju nekog programa, kao što je neka grupna
terapija, koja ima za cilj da unapredi odnose u grupi, razvije saosećajnost, pod-
stakne slobodnije uključivanje u odnose sa drugima i sl. Kad se govori o psihote-
rapiji, onda se sociometrija sreće u kontekstu tehnika grupne terapije, tzv.psiho-
drame ih sociodrame, koje su sUčne metodi igranja uloga koju smo ovde opisah.
Naravno, metoda igranja uloga se takođe može kombinovati sa sociometrijom u
cilju boljeg „kastinga”, aU i izučavanja delovanja metode igranja uloga na učesni-
ke. Pomoću anahze socijalne mreže mogu se anahzirati stvame društvene uloge
staleža, klasa, profesionalnih grupa i sl. (u tom slučaju se obično u prikazima
mrežnih pokazatelja koriste prosečne vrednosti izbora za taj stalež ih klasu).

J. Igranje uloga

Igranje uloga se koristi u mnogim oblastima i za razne namene. U suštini, to

je postavka tokom koje u ograničenom i obično kratkom vremenu dve ili više
osoba simuliraju neku društvenu situaciju, a pri tome je svakom od učesnika
dodeljeno da igra određenu ulogu. Ta postavka može da se koristi u eksperimen-
talnim istraživanjima da bi se tokom nje izvršila eksperimentalna manipulacija
(npr. uticaj grape na stavove, izazivanje frustracije i agresije), može da se
neposredno posmatra ponašanje učesnika i da se snimaju i beleže ponašanja kao
što su hostilnost, autoritaraost, predrasude, dominantnost-submisivnost i sl.
Igranje uloga se često koristi i u izučavanju rukovodenja; recimo, uticaja
autoritamosti ličnosti na izbor stila rukovođenja. U tom cilju se odabranoj grupi
dobrovoljaca može dati skala autoritamosti, a zatim se može primeniti igranje
uloga tokom kojeg će svaki dobrovoljac jedno vreme igrati ulogu rukovodioca
grupe.
Sličan plan se može primeniti i u istraživanju reakcije nastavnika na
problematično ponašanje dece i, simetrično, ponašanje dece u toj situaciji. Na
primer, svi učesnici mogu da izmenjaju uloge u sledećoj postavci: ,,Ti si dete koje
je bilo nevaljalo. Gađao si dnigu decu gumicom. Ti si učitelj i pozvao si dete na
razgovor posle časa. Seli ste u učionicu i počeli razgovor. Počnite.”
Postavka sa igranjem uloga može da posluži i za obuku učesnika u nekoj
timskoj aktivnosti, ili za neku radnu delatnost, dakle ne kao metoda prikupljanja
podataka.
Istraživač ili njegovi saradnici mogu takode biti učesnici kako bi mogli da
kontrolišu odvijanje igre. Jedno vreme (izmedu dva rata, tokom II svetskog rata i
neposredno posle) se u Americi igranje uloga vrlo obimno koristilo u cilju tzv.
holističkog pristupa testiranju i profesionalnoj selekciji Ijudi. Iz tog doba potiče
jedan program za selekciju obaveštajaca u Office o f Strategic Services u SAD.
Pogledajmo taj zanimljivi primer, iako se on ne odnosi samo na temu igranja
uloga, nego prvenstveno na pitanje korisnosti testiranja ,,u prirodnim uslovima”;

Kandidati su prvo ukratko informisani o budućim zadacima. Dat im je lažni identitet

koga su morali celo vreme braniti. Onda su odvođeni u jedan logor u prirodi gde su
podeljeni u grupe i gde su imali niz testova.
Svakoj grupi je davan zadatak da prenesu sa jedne obale potoka na drugu neke
sWari I posmatrane su reakcije pojedinaca, izdvajanje vođa itd.
Zatim je svakome dat zadatak da napravi skelu od drveta sa 2 instruirana pomoćnika.
Kippy je bio krajnje pasivan, radio je samo ono što mu se kaže, stajao i smetao, bavio se
nepotrebnim poslovima itd. Buster je bio agresivan, nametao svoja beskorisna mišljenja i
stalno kritikovao druge i tražio slabe tačke. U istoriji projekta niko sa njima dvojicom nije
uspeo obaviti zadatak u predviđenom vremenu. Kandidati su posniatrani da li će pobesneti i
udariti pomoćnike, odustati, uraditi sve sami ili okrenuti sve na šalu.
Onda su bila unakrsna ispitivanja, naizmenično neprijatna pa Ijubazna (po principu
toplo-hladno) kako bi se kandidat prisilio da otkrije svoje identitet, Zatim su tu bili razni
upitnici, intervjui i testovi,
No, podaci nisu iskazivani sistematično, niti pojedinačno, nego je veliki broj proce-
njivača davao neku zajedničku procenu ličnosti,
Nije bilo nikakve sistematske istrage uspešnosti ove selekcije, ali je iskustvo pokaza-
lo da je bila bolja od nasumične, a ponekad znatno bolja. To se onda iskazivalo kao uspeh
holističkog testiranja, Međutim, oni su u selekciji takode koristili puno testovnog materijala, a
osim toga, nije bilo podataka o tome na čemu su njihove konačne ocene bile bazirane; u
kolikoj meri i koliko je šta bilo uspešno u predvidanju.
 Osim toga, iako je prosečan postupak trajao 3 dana, u jednoj stanici je to skraćeno na
1 dan i ta stanica je imala najbolje rezultate u selekciji.
Citirano prema Eysenck (1971).

Ova zanimljiva i vesela metoda igranja uloga je ograničena samo maštom

istraživača i vrlo je fleksibilna u pogledu postavke i namene. Naravno, za naučne
zaključke koji sc cvcntualno donesu na osnovu nje važi sve što je rečeno za
kvalitativne metode.

K. Analiza sadržaja

Pod analizom sadržaja se danas podrazumevaju prilično različite stvari.

Trenutno njen originalni naziv, analiza sadržaja, maskira šarolikost ideja, pristiipa
i primena. Jedna od zanimljivih protivrečnosti analize sadržaja je njena lokacija
na dimenziji kvantitativno - kvalitativno. Naime, ona se koristi u kvantitativnim
istraživanjima da bi se kvantitativno analizirao slobodan tekst, ali i u kvalitativ-
nim istraživanjima da bi se otkrila ključna značenja verbalnih poruka.
Istorija ra zvoja.- Pojam analize sadržaja ie staj oko 60 godina. Medutim,j)rema
Kripperidorfu, prvi dobro^dokumentovani slučaj kvantitativne analize štampanog materijala
Sesio se u XVIII veku u Švedskoj (Insch i Moore, 1997). Analizirano je 90 pesama koje su
okrivljene za potkopavanje odanosti crkvi i sektaštvo. Kako bi se pitanje razrešilo prebroja-
vani su religiozni simboli u ovim pesmama i uporedivana je njihova učestanost sa učesta-
ndšću lih simbola u prihvaćenim zbirkama pesama i zbirkama iz religioznih sekti koje su već
bile ekskomunicirane.
Početak X X veka donosi veliko povećanje obima štampanog materijala, zanimanje za
istraživanje masovnih tržišta i interes za javno mnjenje. Razvoj različitih škola žurnalizma
doveo je do zahteva za razvojem i ujednačavanjem etičkih standarda, ali i do potrebe da se
empirijski istraži moć i uticaj novina. To je dovelo do razvoja tjv . kvantitativne analize novi-
na. Kasnije, merenje učestanosti pojavljivanja ključnih reči i fraza po tematskim kategorija-
ma bilo je prošireno na radio, a zatim i na brojne druge izvore informacija kao što su udžbe-
nici, stripovi, govori, reklame, filmovi i televizija.
Pre II svetskog rata analiza sadržaja se uglavnom zasnivala i bila definisana kao
korišćenje podataka iz masovnih komunikacija za testiranje naučnih hipoteza i za analizu
žurnalističke prakse, Tokom rata, analiza sadržaja je dobiia prvu značajnu praktičnu
primenu u „analizi propagande”. Potreba za analizom velikog broja pisanih dokumenata i
repetitivnost tog posla učinila je da računari postanu prirodni .saveznik” analize sadržaja.
Shodno tome, tokom zadnjih 40 godina, a posebno nakon uvođenja opšte dostupnih
personalnih računara, softvera za analizu teksta i uređaja za obuhvat podataka, značajno je
porastao interes i primena analize sadržaja u velikom broju društvenih istraživanja.

Anahza sadržaja je mctoda za ko^iije^teSko reći da li j.e metoda prikupljanja

podataka, v rstalslrarm iija''‘ili metoda analize podataka. Verovatno se za nju
može reći da je sve to zajedno. Kao p rv o jed in ice posmatranja su ko d analize
s'^drzaja sa'svTm špecifične. To nisu Ijudi, nego Ijudski proizvodi, i to takvi proiz-
vodi koji su nosači informacija, odnosno nosači simboia (jedinice posmatranja se
u analizi sadržaja nazivaju jedinicama analize; v. kasnije). Za veoma veliki broj
Ijudskih proizvoda se može reći da nose informacije o Ijudima i o Ijudskom
ponašanju, odnosno da služe prenošenju takvih informacija od proizvođača ka
potrošaču, odnosno od pošiljaoca ka primaocu.
Kao drugo, prikupljanjepodataka u analizi sadržajajepotpuno bez interfe-
rencije sa posmatranom pojavom (eng. unobtrusive). Mogu se analizirati stare
knjige i arhive, mogu se snimati politički govori sa radija ili televizije, ili prepisi
intervjua obavljenih mnogo ranije. Anahza sadržaja se, dakle, može obavljati na
sekundarnini podacima, onima koje nije prikupio istraživač - arhive, zbomici,
katalozi i sl.
Kao treće, sama analiza dobijenih rezidtata, npr. tumačenje frekvencija
pojavljivanja reči, kvalitativna analiza konteksta u kojem se reči javljaju, tuma-
čenje rezultata eventualne muhivarijatne analize i dr. specifična je za prirodu
podataka i za ciljeve analize sadržaja. O tome šta su podaci i šta su ciljevi analize
sadržaja biće reči u narednim poglavljima.

1. Definicije analize sadržaja

Najjednostavnija defniicija analize sadržajakao naučne metode prikupljanja

i analize podataka je da se ona zasniva na kodiranju teksta, odnosno poruka.
Kodiratije teksta je razvrstavanje jedinica analize u kategorije, a rezultati kodira-
nja se podvrgavaju različitim, prvenstveno kvantitativnim, analizama. Sa ovak-
vom interpretacijom, analiza sadržaja postaje opšta metoda istraživanja, skoro
poseban nacrt istraživanja, koji ima faze deflnicije problem a, prikupljanja
podataka i analize podataka.
Specifičnija i konkretnija defmicija analize sadržaja kaže: „Anahza sadržaja
je svaka tehnika zaključivanja koja se zasniva na sistematskom i objektivnom
identifikovanju karakteristika datih poruka”. Jedna od ključnih reči ove defmicije
j e poruka. Naime, analiza sadržaja je počela to o aMliza teksta, pa se i danas često
vezuje za štampane komunikacije.^Međutim, sve više, analiziraju se svi obHci
komunikacije i svi nosači infonnacija. Zato je veoma važno da se potencijali ove
metode g'ledaju u tom opštem kontekstu: kao analize bilo kakvih poruka, odnosno
infonnacija. Naravno, treba imati u vidu da čovek nastoji da sve infonnacije koje
sadrže različiti mediji-nosači prepiše i stavi na papir u obliku teksta.
Da gomja defmicija ne bi obuhvatila bilo koje pažljivo čitanje dokumenata
(a neko bi je mogao tako shvatiti), analiža sadržaja mora posedovati neke karak-
tefistike oko kojih postoji široko slaganje različitih nutom:,objektivnost^,sistema-
tjčnost\:opštost^
Da bi \n\a_objektivna, analiza sadržaja se mora izvesti na osnovu eksplicitno
formulisanih pravila koja će omogućiti da dve ili više osoba dobiju iste rezultate
ako analiziraju istu poruku-- Da bi bila sistematska, tokom analize s^uključivanje
ili isključivanje sadržaja ili kategorija 'mora vršiti na osnovu konzistentno
primenjenih kriterijuma selekcije i mora važiti za sve poruke i njihove delove.
Ovaj zahtev eliminiše analize u kojima se ispituju samo materljali koji podržavaju
istraživačeve hipoteze. Pod opšlošću se podrazumeva da nalazi moraju imati
teorijsku relevantnost; čisto deskriptivni podaci o konkretnom sadržaju, nepove-
zani sa ostalim atributima sadržaja ili osobinama pošiljaoca ili primaoca poruke,
od male su naučne vrednosti.
Jedna druga definicija kaže sledeće: ,,Dok je utemeljena teorija posvećena
otkrivanju hipoteza na osnovu podataka, anahza sadržaja obuhvata telinike za: 1)
svođenje artefakata kao nosača simbola, nastalih kao rezuUat Ijudskog ponašanja
(uključujući, ali ne ograničavajući se samo na tekst), na matricu ,jedinice x
varijable” i 2) kvantitativnu analizu te matrice u cilju testiranja hipoteza. Spome-
nuto svođenje poruka na matricu podataka se izvodi putem primene skupa kodova
na artefakte i, zatim, putem provere pouzdanosti kodera putem ispitivanja njihove
saglasnosti”.
U ovoj defmiciji se pod matricom jedinice x varijable podrazumeva
matrica podataka koja u redovima ima jedinice analize (koje će biti objašnjene
kasnije u tekstu), a u kolonama kategorije (koje će takođe biti kasnije objašnjene).
Članovi matrice mogu biti frekvencije pojavljivanja ih dužina trajanja, odnosno
neki pokazatelji kvaliteta i kvantiteta. Pored ove matrice, u anahzi sadržaja se
sreću i druge matrice, kao što su matrica zajedničkog pojavljivanja jedinica ana-
lize. Ova matrica je tipa ,jedinice x jedinice”, a njeni elementi su najčešće sirove
ih standardizovane frekvencije zajedničkog pojavljiv\anja. Ovakva matrica se u
statistici naziva matricom sUčnosti (ili distanci) i obrađuje se kiaster analizom ih
multidimenzionabim skaliranjem.
Uobičajeni cilj anahze sadržaja je testiranje hipoteza o emiteru (proiz-
vođaču) poruke, prijemniku (potrošaču) ih obojici. Detaljnije, može se reći da
svrha anahze sadržaja može biti: a) ispitivanje sadržajakomunikacije u odnosu na
ciljeve, b) identifikacija namera i ostahh svojstava komunikatora, c) otkrivanje
fokusa pojedinčeve, grupne, institucionalne ih društvene pažnje, d) opis trendova
u sadržaju komunikacija, e) sastavljanje i primena standarda za komunikaciju, f)
ispitivanje stavova, interesovanja i vrednosti delova populacije i g) kodiranje
odgovora na otvorena pitanja u anketama.
Dalje, kao što je rečeno, ona je generalno neoptruzivni izvor podataka.
Anahza sadržaja se obično koristi za izučavanje poruka koje su generisane bez
prelhodnog ziianja subjekata da će ti podaci biti anahzirani. Kaže sc da se
„tekstovi mogu tretirati kao tragovi autorovog pogleda na svet u jednoj tački u
vremenu i kao imuni na retrospektivne konstrukcije”. Dakle, analiza ^ d rž a ja
smanjuje mogućnost za interakcije ili istraživačevu pristrasnost u fazi prikupljanja
podataka. Ipak, pristrasnost može postojati u obliku efekata kao što je selektivjii
depozit (v. analizu sekundamih podataka).
Takođe, analiza sadržaja se, skupa sa analizom sekundamih podataka i
meta-analizom može nazvati metodom za analizu arhivskih podataka.
 Još značajnije, analiza sadržaja se koristi kao komplement narativnoj analizi
(v.), neposrednom posmatranju (v.) i intervjuu (v.) gde se vrlo uspešno koristi za
objektivnu analizu, zapisnika, storija i eseja.

2. Analiza sadržaja - kvantitativna ili kvalitativna metoda

Neki autori podrazumevaju da je analiza sadržaja kvantitativna nnetoda, dokje drugi

ubrajaju u kvalitativne metode.
Analiza sadržaja nesumnjivo poseduje neka svojstva koja su generalno asocirana sa
kvalitativnim metodama kao što su bogatiji detalji, očuvanje više informacija o kontekstu I
potencijal za razvoj noviti teorijatkroz vezu sa utemeijenom teorijom). Fenomenologija,
konstruktivizam i slične paradigme, u kojima se traga za značenjima, pod kvalitativnom
analizom zapravo najčešće podrazumevaju upravo kvalitativnu analizu teksta i drugih sličnih
proizvoda Ijudske deiatnosti, uključujući siike, oblike (tzv. ikonički materijai) i zvukove.
Kodiranje teksta, koje uključuje definiciju kategorija i pravila dodeljivanja jedinica ana-
lize u kategorije, po mnogo čemu je kvaiitativni proces. Tačnije rečeno, sh^ara prostor za
kvalitativni pristup saznanju. No, ako se kodiranje teksta obavlja automatski, pomoću raču-
nara, i na osnovu gotovih pojmovnih rečnika, stepen objektivnosti analize sadržaja može biti
zavidan.
Međutim, nakon obavljenog kodiranja (klasifikacije), dobijeni podaci, razvrstani u
matricu podataka, mogu se analizirati kvantitativno u svakom pogledu. Postoje brojni primeri
primene najnaprednijih statističkih tehnika u cilju analize matrice podataka iz analize
sadržaja; klaster analize, faktorske analize, multivarijatne analize varijanse, diskriminacione
ahaliže^ višestruke regresione analize, modela strukturalnih jednačina, loglinearnih modela
itd. 0 primeni univarijatne i bivarijatne statistike ne treba ni govoriti; od hi-kvadrat testa, f-
testa, ANOVE do linearne i rang korelacije.

Mnogi u analizi sadržaja vide odlično oruđe za multimetodski pristup i

triangulaciju više metoda. Osim toga, kasnije ćemo videti da postoje dve vrste
analize sadržaja; sintaksička i semantička, pri čemu je ova prva prvenstveno
kvantitativna. Imajući sve to u vidu, u pravu su i oni autori koji analizu sadržaja
razvrstavaju kao kvalitativnu i oni koji je razvrstavaju kao kvantitativnu metodu.
Ako analizu sadržaja u celini tretiramo kao opštu istraživačku metodu, onda
izgleda prihvatljiv stav da analiza sadržaja ima kvalitativno p rik u p ljan je poda-
taka i kvantitativnu analizu podataka. lako to nije uvek tačno, studentu će biti
lako da zapamti taj jednostavni rezime debate o prirodi analize sadržaja.

3. Sta se analizira u analizi sadržaja

Analiza sadržaja se bavi analizom poruka, bez obzira na to šta je medijum

ili nos'aS ^ruke. Danas se često može pročitati da je analiza sadržaja kvantitativ-
na i kvalitativna analiza teksta, ikoničkog materijala i zvukova. Nastoji se, dakle,
da se analiza sadržaja decentrira od tekstualnih poruka. To nije lako postići jer, na
primer, radio i televizijske emisije koje se prekucaju i dalje analiziraju kao
standardan tekst nisu „ikonički materijal”. Međutim, ako se u televizijskim emisi-
jam a analizira pol i boja kože učesnika, njiliovo odevanje, da li puše ili ne puše
pred kamerama, ili da li prijateljski komuniciraju, onda bi se moglo reći da se radi
0 ikoničkom materijalu. Još nedvosmislenije je da se radi o ikoničkom materijalu
kada je reč o karikaturama, plakatima, stripovima ili crtanim filmovima, Kad se
radi o zvukovima, onda se muzika emitovana na radiju, ili svirana na nekim
masovnim skupovima može analizirati s obzirom na žanr, ritam, harmoniju i sl.
Međutim, opet, kalegorije u koje se bilo kakav materijal razvrstava su
tekstualne; mušarci-žene, narodna nošnja-evropsko odevanje, narodna m uzika-
rock muzika; sve je to tekst. Zbog toga, čak i ako se radi o genuinom ikoničkom
ili zvukovnom materijalu, kodiranje se vrši na osnovu pisanih knjiga šifara. To
dovodi do toga da se analiza sadržaja najčešće, kada se dođe do obrade i analize,
tretira kao analiza teksta. Analiza teksta je, takođe, najčešći vid analize sadržaja
do danas. Tome doprinosi i to što automatsko kodiranje ikoničkih i audio zapisa
putem računara još uvek nije na upotrebljivom nivou, te je manje dostupno od iste
procedure za tekstove.
Kada se uzme u obzir samo analiza teksta, onda postoji i dalja stratifikacija
metoda i tehnika analize sadržaja. Osnovna podela u tom domenu je dvotomna:
sintaksno-Ieksička i semantička. Da bismo objasnili o čemu se radi, je r ove
nazive treba shvatiti uslovno, opisaćemo tu podelu detaljnije.
Sintaksno-leksičko-lingvistička analiza sadržaja. - Ovde se analiza sadr-
žaja pojavljuje kao analiza sintakse, leksike i morfologije. U tom cilju se rade
frekvencijske analize reči, delova reči, ili rečenica, meri se dužina rečenica ili
dužina reči, učešče i odnosi pojedinih vrsta reči (npr. glagola i imenica) i sl.
Rezultat sintaksne analize sadržaja su najčešće različiti spiskovi i pregledi.
Najjednostavniji pregled je lista reči, koja sadrži sve reči iz neke jedinice analize.
To ne moraju biti samo reči, nego mogu biti i fraze ili uobičajeni izrazi (v. kasnije
kolokacije). U našem jeziku, zbog padeža, roda i broja, lista reči se može drama-
tično skratiti ako se primeni lematizacija (v. kasnije). Lista reči se vrlo često pre-
zentira sa frekvencijom i procentorn pojavljivanja reči.
Osim lista, vrlo često se prave indeksi. Pod indeksiranjem teksta se često
podrazumeva složeni niz postupaka, medutim, po osnovnoj i striktnoj terminolo-
giji, indeks predstavlja listu reči koja sadrži reference u tekstu gde se reč nalazi.
Referenca se obično sastoji od rednog broja strane gde se reč nalazi, ali se može
sastojati i iz rednog broja neke druge jedinice analize (recimo paragrafa ili člana).
Zato se ponekad ta referenca naziva koordinatom. U toj formi mi poznajemo
indekse autora koji se nalaze na kraju knjige.
Ipak, najpoznatiji pregled se naziva konkordancom. Konkordanca je spisak
reči sa kontekstom u kome se reč javlja. Obično se uz svaku reč navodi referenca
u tekstu gde se reč nalazi, kao i druge eventualne oznake reči (npr. glagol, ime-
nica, pridev).
Kad se govori o kontekstu, obično se misli na izvestan deo okolnog teksta,
recimo 25-^5 znakova u neposrednoj okolini date reči. Postoje dva fonnata
konkordanci s obzirom na način prikazivanja konteksta: KWIC i KWOC. Primer
KWIC (engl. Key Words In Context - ključne reči u kontekstu) konteksta za reč
„indeks” bi bio;
<striktnoj terminologiji, indeks predstavlja listu re> 146
U KWIC-u su, dakle, reči, kao što je „indeks”, prikazane unutar konteksta u
kome se javljaju, praćene referencom (npr. brojem strane).
Druga vrsta konteksta, dobro poznata iz enciklopedijskih rečnika je KWOC
(engl. Key Words Out Context - ključne reči izvan konteksta). Ovde se sama reč
najčešće daje u zaglavlju, a ispod nje se navode svi konteksti u kojima se ta reč
pojavljuje. Primer:
indeks
striktnoj terminologiji, indeks predstavlja listu re 146
Nekada su konkordance, indeksi i liste izradivane ručno 150.
Reč se ponekad, radi jednostavnosti, zamenjuje nekim znakom, npr.
zvezdicom ili zagradam a< > . U literaturi se često može sresti da se konkordanca
sa kontekstom u obliku KWOC-a naziva indeksom, Indeksi pojmova koji se
navode na kraju knjige duguju svoje ime upravo takvoj praksi, iako bi dobar
indeks pojmova, po našoj tenninologiji, trebao biti napravljen kao konkordanca
sa KWOC-om.
Treba znati da kada se kaže „reč”, onda se misli uopšteno, pa to mogu biti
reči, delovi reči, fraze, rečenice ili neke slične celine. Takode, istraživača neće
uvek interesovati sve reči, nego neke određene reči, koje proističu iz predmeta i
ciljeva istraživanja.
Lematizacija ]os pojam koji se sreće u lingvističkoj analizi sadr-
žaja. Ukratko, to je grupisanje bilo kojih reči u g ru p e - leme. N a primer, reči sarn,
bio, bili, j e itd. se putem lematizacije mogu grupisati u lemu koja predstavlja
leksemu hili. Leme su u lingvistici reči koje imaju isti koren ili bazu (leksemu” )
i pripadaju istoj gramatičkoj kategoriji (npr. imenica, glagol). Leme su u lingvi-
stici shčne kategorijama u kvalitativnoj anahzi. U našem jeziku je lematizacija
praktično obavezan korak anahze teksta, ali istovremeno i vrlo težak, jer imamo
veliki broj padeža, rodova, brojeva, vremena, palatalizacija i jotovanja. Sian-
dardnim postupkom lematizacije (koji se koristi u engleskom jeziku), gde se
uzima početak reči kao koren, a sve iste reči sa različitim nastavcima se grupišu
zajedno, fimkcioniše u izvesnom broju slučajeva i kod nas, ali nedovoljno često
(što je vidljivo na primera: otac, očevi, ocu). Medutim, grupisanje se može
obaviti po raznim kriterijumima, kao, na primer, po kriterijumu istog smisla,
pripadnosti nekom liku (u drami npr.) itd.
Kolokacije se najjednostavnije mogu definisati kao skupovi od dve ili tri
reči koje se u nekom tekstu javljaju zajedno češće nego slučajno. Često se traže
kolokacije za odabranu reč - reči koje je uobičajeno prate bilo s leve, bilo s desne

Razlika lekscma i lema je lingvistički suptilna, otprilike kao razlika između

govom og i pisanog jezika, ili gramatički ispravnog i govom og jezika.
strane. U odeljku o definicijama analize sadržaja smo spomenuli matricu tipa
,jedinica x jedinica”. Kolokacije se mogu otkriti upravo iz ovakve matrice.
Kolokacije čine najčešće spojevi glagola i imenica, imenica i prideva itd., kao
npr. „najmanja uočljiva razlika”. Osim za naučnu analizu teksta, korisne su i za
učenje stranih jezika (idiomi i sL). Mogu se, osim neposredno susednih reči, ana-
lizirati i reči koje se nalaze na izvesnoj udaljenosti od date reči (npr. naj-
manja...razlika, najveća...razlika), ali je takve kolokacije znatno teže otkriti.
Svi opisani pojmovi i operacije svoj puni smisao dobijaju u računarskoj
analizi sadržaja. Nekada su koiJiordance, indeksi i liste izradivane ručno, što je,
naravno, moguće i danas, ali taj posao može biti toliko veliki da je praktično
neupotrebljiv. Nažalost, da bi se radio računarski, moraju se rešiti ozbiljni
problemi našeg pisma: na prvom mestu naša slova, odredivanje korena reči (kako
se ne bi brojale kao različite reči derivacije po padežima, rodu i broju), utvrdiva-
nja vrste reči kao što su imenice ili glagoli itd. O primeni računara u ovoj oblasti,
kao i o nekim karakterističnim predstavnicima softvera može se pročitati u po-
glavlju o primeni računara.
Ovom vrstom analize sadržaja su se kod nas bavili prof. dr Duško Vitas
h ttp ://w w w .m a tf.b g .a c.y u /n a stav n o /d v ita s/in d e x -e n .h tm l sa K atedre za
računarstvo i informatiku Matematičkog fakulteta u Beogradu, ali i drugi autori
koji se bave računarskom lingvistikom.
Lingvistička analiza teksta se koristi za kvantitativnu analizu jezika u lin-
gvistici, za nalaženje najčešćih idioma i fraza, za formiranje indeksa i konkor-
danci itd. Postoji veliki broj primera analize u kojima se utvrdivalo autorstvo
tekstova. lako takva procedura nije standardizovana, uočeno je da se autori
sistematski razlikuju po upotrebi izvesnih opštih reči, kao što su veznici, lične
zamenice i drugo. Takođe autori se sistematski razlikuju po dužini reči (tačnije,
distribuciji reči po dužini), dužini rečenice i drugim „gabaritima” teksta. Isto tako,
uočeno je da formalni, službeni jezik ima puno imenica, malo glagola, puno
dugačkih rečenica i puno dugih reči. Poznati su radovi u kojima su analizirane
oproštajne poruke samoubica, medu prvima rad Osgooda i Walkerove iz 1959. g.
koji su na osnovu nekoliko sintaktičkih (npr. broj slogova po reči), ali i
semantičkih (npr. broj fraza koje iskazuju stres) pokazatelja mogli da utvrde koja
je prava, a koja lažna poruka u 10 od 13 slučajeva.
Sve u svemu, za ovu granu analize teksta bi se moglo reći da joj je predmet
izučavanja sam tekst, a ne značenje koje tekst ima i sadržaj poruke koju tekst
prenosi. Takođe, vidi se da je u lingvističkoj analizi sadržaja dominantna kvan-
titativna analiza teksta.
Sem antička analiza sadržaja. - U ovom pristupu analizi sadržaja, cilj je
analiza sadržaja teksta, tačnije njegovog značenja. U praksi, to se postiže
kodiranjem teksta, odnosno razvrstavanjem jedinica analize u kategorije i, zatim,
analiziranjem unutrašnjih odnosa kategorija kao što su događaji, likovi, teme i
pojmovi. Semantička analiza sadržaja se koristi kako u kvalitativnom, tako i u
kvantitativnom pristupu analizi teksta i nekada se naziva bihejvioralnom, zato što
tekst tretira kao prozor u Ijudsko ponašanje.
 Umesto podele na siiitaksičku i semantičku analizu sadržaja, neki autori
razlikujiTkvarititatrvnu itvaTitativnu analizu sađržaja. Konfuziji doprinosi i to što
se «4iteraturi analiza sadržaja povezuje sa utemeljenom teorijom i drugim kvalita-
tivnim metodama i pristupima. Postoji i analiza diskursa, kao i narativna analiza,
koje je teško razlikovati od analize sadržaja. Svuda gde se radi o kodiranju i
analizi tekstualnih podataka student će naći da se govori o analizi sadižaja.
Nažalost, ni podela na sintaksičku i semantičku analizu sadržaja nije strikt-
na. Rezultati lingvističke analize mogu biti odličan u semantičku analizu, pa
i semantičku kvalitativnu analizu. Recimo, umesto na ukupnom korpusu teksta,
kodiranje možemo vršiti na konkordancama ili listama. Pri tome nam KW IC ili
KWOC konteksti mogu pomoći pri kodiranju kako ne bismo, na primer, ironije i
aluzije pogrešno razvrstali.

4. Osnovni elementi analize sadržaja

Bemard i Ryan (1998) smatraju da su osnovna pitanja analize sadržaja uzor-

kovanje i kodiranje. Rosnovv i Rosenthal (2005) dodaju tome i pitanje pouz-
danosti kodera, odnosno njihovog slaganja. Negde u tim okvirima treba tražiti
osnovne probleme i kritične tačke ove metode.

a. Jedinica analize, populacija i uzorak

Jedinice analize - Ono što Bemard i Ryan podrazumevaju pod uzorkova-

njem ima, zapravo, nekoliko potpitanja. Jedno od tih potpitanja je izbor jedinice
analize. Jedinica analize je deo poruke ih poruka u celini. Jedinice analize se
nekada nazivaju jedinicamčTBasifikacije, što jasno ukazuje na to da su jedinice
analiže ono što se kodira, ođnosiio'razvrstava u neku od kategorija.
Podelu poruke (najčešće tekstualne) u jedinice analize neki nazivaju seg-
mentacijom i sastoji se u određivanju nekih nepreklapajućih delova poruka.
Jedinica analize je osnovna jedinica porukelkoja će biti klasifikovana, ali jedinica
analize može biti i cela poruka (npr. tekst, dokument). N ajčešće i manje-više
standardne jedinice anahze koje se koriste u anahzi sadržaja su: 1) reč ili simbol,
2) gm pa reči po smislu, sintagma, fraza ili tema (nekada se takav segment teksta
naziva kontekstnom jedinicom ), 3) rečenica (npr. kada klasifikujem o cele
rečenice kao pozitivne, negativne ili neutralne), 4) pasus (npr. kada klasifikujemo
cele pasuse), 5) dokument, kao što je knjiga, intefv ju lli odgovor na otvorena
pitanja (kada se celi tekst dodeljuje u neku kategoriju), 6)J ik (u drami, filmu), 7)
ilustracija, slika ili neki dmga ikonička celina. O izbom jedinica analize govori se
i u poglavlju o kodiranju kvalitativnih podataka.
K orpus ili populacija p o ru k a - Dmgo važno potpitanje je izbor koipusa
pomka i izvora pomka koje će biti analizirane. Ovo pitanje je analogno pitanju .
defmisanja populacije objekata u drugim istraživanjima. M ora se oceniti da li
dostupne pomke predstavljaju odgovarajuću podlogu za obuhvatanje pojmova
koji se istražuju i za odgovor na pitanja istraživanja. Takođe, moraju se defmisati
nosači informacija koji će se analizirati, opseg tema i pitanja od interesa, kao i,
naravno, vremenski period na kojem će se analiza sprovoditi.
Ako se radi o tekstualnim podacima, oni mogu biti bilo kakvi; knjige,
novinski članci, prepisi radio i tv vesti, pisma, memorandumi, izveštaji deoni-
čarima, govori direktora, prepisi intervjua ili diskusije i rezimei članaka. Osim
pisanih tekstova, nosači simbola mogu biti bilo koji drugi drugi čovekovi
proizvodi, kao što su tv serije, političke karikature, reklame, muzika ili gmčarija.
Pošto se analiza sadržaja često izlaže u kontekstu analize sekundamih poda-
taka (v.), pitanje izbora korpusa se naziva izborom arhive, odnosno arhivskog
izvora.
U zorak p o ru k a i jedinica analize - Treće potpitanje je da li će se analizi-
rati sve poruke iz korpusa ili samo neki, eventualno reprezentativni, uzorak
pomka i jedinica analize. Ako se opredelimo za uzorak, onda se moramo oprede-
liti i za jedinicu uzorkovanja, koja baš kao i kod dmgih istraživanja ne mora da
■bude jednaka jedinici analize. Na primer, korpus može da bude sastavljen od svih
osnovnoškolskih udžbenika matemjeg jezika. Jedinica uzorkovanja može da bude
strana udžbenika, a jedinica analize ilustracija koja se nalazi na toj strani. S dmge
strane, ako je jedinica analize udžbenik u celini, onda je logično da odaberemo
sav korpus za anahzu i da ne izvlačimo nikakav uzorak.
Takode, ako se analizira40 ili 50 biografija, ondaje najbolje da se anahzira
kompletan tekst svih biografija. Medutim, ako broj jediniea uzorkovanja poraste
na stotine ih hiljade (recimo sve reklame na televiziji u večernjim satima tokom
2001. godine, ili svi pohtički komentari u Politici tokom zadnjih 10 godina, ili sva
saopštenja pohtičkih partija tokom zadnjih 10 godina), onda se mora izvući
uzorak jedinica koje će se analizirati.
Definisanje spiska populacije i uzorkovanje u analizi sadržaja je identično
uzorkovanju u bilo kojoj dmgoj oblasti (v. glavu o uzorkovanju). Identična je i
diskusija o razlici jedinica uzorkovanja i jedinica anahze. Ako neke razlike ipak
postoje, to je zbog toga što su ovde članovi populacije pomke ili jedinice analize.
Na primer, različito će biti defmisano uzorkovanje ako se radi o tekstu, o stripu ili
tv-seriji.
Na primer, televizijski program se može uzorkovati na sledeći način: na slučajan
način će se odabrati jedan datum u godini I tokom tog dana će se snimiti na video traku 10
sati programa. Iz snimljenog materijala će se onda izdvojiti sve emisije koje su od one vrste
koja interesuje istraživača; npr. govorne emisije, Iz takvih emisija se onda mogu izdvojiti svi
odrasli Ijudi, koji su pred kamerom imali najmanje jednu rečenicu teksta. Te rečenice onda
mogu predstavljati korpus teksta koji će se analizirati. Analogno tome, korpus za analizu
mogu biti same odabrane osobe; kako bi se klasifikovale u pogledu pola, godina, načina
oblačenja, ili posedovanja bilo koje druge karakteristike.
Isto tako, ako se zadržimo na primeru televizije, može se celokupni dnevni program
izdeliti na vremenske segmente od pola sata, pa se meseci, nedelje, danl i segmenti mogu
slučajno uzorkovati, snimati i zatim analizirati s obzirom na vrstu emisije, sadržaja,
međuljudskih komunikacija ili garderobe koji se u tim segmentima pojavljuju.
 Ako se izučava odnos pacijenata i doktora, mogu se snimati svi razgovori koji se
vode u jednom domu zdravlja tokom tri dana u svim ordinacijama. Iz tih razgovora se onda
može slučajnim izborom izdvojiti jedan manji uzorak razgovora (razgovor je u tom slučaju
jedinica uzorkovanja), ili se može izdvojiti jedan uzorak .linija dijaloga” (kada su jedinlce
uzorkovanja reči ili rečenice izgovorene od stiane učesnika).
Ako se izučavaju reklame namenjene deci, recimo u pogledu poruka koje im se
upućuju jzm edu redova”, onda Izgleda racionalno da istraživač odabere jednu nedelju pred
velike praznike, kao što su Nova godina I Božič, kada se više kupuje i kada ima više rekla-
ma. Onda se mogu snimati sve reklame tokom dana, u vremenu kada postoji velika vero-
vatnoča da deca gledaju program (recimo, pre podne I predveče). Iz snimljenog materijala
se onda može izvući slučajan uzorak reklama, pazeći pri tome da za neke reklame nije lako
utvrditi da li su samo za decu, ili samo za odrasle (ako postoje podaci o gledanosti tv-
programa, onda se tu mogu potražiti odgovori na to kada deca najviše gledaju televizlju I
koje reklame gledaju, a koje ne).

Potpuno analogno uzorkovanju u bilo kojoj drugoj oblasti, i u analizi sadr-

žaja se može postaviti pitanje reprezentativnosti. Načelno, uzorci jedinica analize
m oir^irbiti reprezentativni. U skladu sa opredeljenjem i raspoloživim resursima,
istraživač će odabrati neki od načina uzorkovanja; od prostog slučajnog iizorka do
kvotnog. Postoji jedan generalni stav u domenu analize sadržaja da kvantitavni
pristup zahteva reprezentativne uzorke. S druge strane, nekvantitativne studije u
analizi sadržaja često ne insistiraju na slučajnom uzorkovanju. Naprotiv, često se
koriste dnigi tipovi uzorka kao što su modalni uzorci, ekspertski ili heterogeni
uzorci, je r cilj može biti analiza sadržaja nekih ekstremnih ili retkih poruka, a ne
tipičnih.
Nekada i pojedinačni slučaj može biti dovoljan da bi se uočila i demonstri-
rala retka i važna pojava (što bi onda ličilo na studiju slučaja u domenu poruka).
Medutim, neki autori savetuju da se u uzorku poraka ima najmanje 6 slučajeva,
ako se radi o kvalitativnoj analizi sa ciljem razumevanja nekog (nečijeg) iskustva.
Isto tako, preporučuje se 30-50 intervjua u etnologiji ili studijama koje koriste
utemeljenu teoriju. Otkrivanje glavnih tema i izgradnja teorije može da zahteva
manje slučajeva nego što je potrebno za testiranje hipoteza, poređenje grupa i sl.
Kako današnje mogućnosti elektronskog obuhvata podataka i računarske
analize teksta rastu, tako se smanjuju potrebe za radom na uzorku. No, i dalje je
uzorkovanje sadržaja u oblasti analize sadržaja vrlo prisutno pitanje.
Pitanja jedinica analize, populacije i uzorka su isprepletena i međuzavisna.
Takođe, direktno su povezana sa defmicijom problema istraživanja. Danas postoji
softver koji dosta olakšava analizu sadržaja i preporučuje se da istraživač isproba
nekoliko jedinica analize i njihovih uzoraka da bi video koji najbolje „rade”.
 b. K odiranje

Kodiranje u analizi sadržaja spada u domen onoga što u ovoj knjizi naziva-
mo kodiranjem kvalitativnih podataka i čemu smo posvetili posebno poglavlje.
Sva relevantna pitanja su obrađena u tom poglavlju. Podvlačimo potrebu da se
kodnoj shemi pristupa razvojno i da sc kodcri dobro obuče kako bi imali istu
viziju o svom zadatku.
Ako se konačno kodiranje ukupnog teksta radi ručno, onda treba angažo-
vati više kodera i najbolje je da oni ne znaju za ciljeve istraživanja kako se ne
bi ugrožavala valjanost. D anas je potreba za ručnim kodiranjem uglavnom
prestala, nego se za to koristi odgovarajući softver (vidi poglavlje o prim eni
računara u analizi teksta). Isti softver shiži i za kreiranje kategorija, anali-
ziranje teksta i prikazivanje rczultata.
E valuacija valjanosti i pou zd an o sti.- Pravilno bi bilo da se proveri valja-
nost svake nove verzije kodne sheme, jednako kao i pouzdanost kodiranja. Među-
tim, od suštinskog značaja je da se to uradi nakon konačnog kodiranja. Savetuje
se da se oceni kako interrater pouzdanost (neki autori je u ovom kontekstu
nazivaju reproducibilnost), tako i pretest-posttest pouzdanost (stabihiost). Isto
tako, savetuje se da se valjanost oceni celovito, imajući u vidu sve aspekte koji su
navedeni u poglavlju o kvahtativnom kodiranju.

c. A naliziranjepodataka

Konačno, kada je kategorijalni sistem tmahziran i kada je po njemu tekst

kodiran, dohizi vreme analize dobijenih podataka. Softver za anahzu sadržaja se
razlikuje u pogledu vrste i složenosti štampanih izveštaja, kao i gencrisanja
sekundamih podataka sa kojima se može ,,ući” u dalju statističku analizu. Ono što
imaju svi programi, to je spomenuta osnovna matrica ,jedinica x varijabla” koja
sadrži frekvencije pojavljivanja kategorija.
U tom smislu, osnovni rezultat anahze sadržaja je frekvencijska anahza
pojavljivanja kategorija, kolokacija kategorija i drugih aspekata teksta. Dakle,
neposredno je dostupna deskriptivna statistika za sve kategorije i za sve jedinice
analize.
Deskriptivni podaci, tačnije frekvencije, osnova su za sve naknadne anahze.
Ako je anahza sadržavala faktor vremena, odnosno ako je bila longitudinahia,
onda se može primeniti analiza trendova ili vremenskih serija. Može se raditi
regresiona analiza, gde je zavisna varijabla neka varijabla kao što je tiraž novina,
ih faktorska analiza razhčitih kategorija, testiranje hipoteza (npr. razlika grupa
emitera, ih grupa prij emnika poruke), klaster analiza, multidimenzionalno skal ira-
nje itd. Za analizu trendova se može koristiti i višestruka regresija sa korekcijom
za autokorelaciju.
Neki programi za anahzu sadržaja mogu produkovati različite grafikone, ali
se istraživač može opredeliti i za neki softver koji je specijalizovan za crtanjc
grafikona. To mogu biti prosti grafikoni kao što su poligoni frekvencija, histo-
grami ili pite, a mogu biti i kompleksni, prilagođeni analizi sadržaja. Na primer,
pošto su kategorijalni sistemi obično hijerarhijski, dobro je da se oni prikazuju
pomoću tzv. dijagrama stabla (engl. tree diagram). Recimo, ako se istraživalo
pušenje, onda bi stmktura stabla mogla izgledati ovako:
1. nivo: pušenje
2. nivo: pušenje->{pred.stave; konteksti; razlozi; posledice}
3. nivo: pušenje->razlozi->{za-pušenje; protiv-pušenja}
4. nivo: pušenje->razlozi->protiv-pušenja->{zdravstveni; estetski}.
Uz svaki čvor (granu) u stablu se mogu prikazati prateći podaci kao što su
frekvencije pojavljivanja, ili ilustracije stvamim primerima iz teksta.
Testiranje hipoteza se može vršiti sa svim raspoloživim alatkama - hi-
kvadrat testom, /-testom, diskiiminacionom analizom, analizom varijanse, sve do
modela strukturalnih jednačina. M ogu se testirati razlike u sadržaju između
različitih grupa, ili između pretesta i posttesta nakon nekog eksperimenta.
Oni koji analizu sadržaja vide kao kvalitativnu analizu i od nje očekuju
empatiju i dubinsko razumevanje, nalaze da se kodiranjem i statističkom anali-
zom kodova gube osnovni kvaliteti metode, i da je takav postupak, u osnovi,
redukcionistički. Kao glavni argument oni navode da kroz kodiranje mogu da
iščeznu ironija, sarkazam, cinizam, aluzije i drugi konteksti koji nekoj reči ili
rečenici daju sasvim drugi smisao, a koje nedovoljno izvežbani koder nije
zapazio. Takođe, u političkim govorima i drugim komunikacijama mogu stvame
teme da budu sasvim skrivene, ili vrlo posredno prisutne, tako da se može desiti
da kategorije koje opisuju tu temu budu prazne.

5. Primena računara u analizi teksta

Već je rečeno da kad se spomene anahza sadržaja, većina pomisli na analizu

teksta. Nekada se čak celokupna ta oblast naziva analizom teksta. Dominacija
analize teksta (nad analizom drugih vrsta pomka), posebno se vidi kad se ima u
vidu softver - programi se uglavnom bave tekstom.
K adaje reč o kvalitativnoj ili kvantitativnoj analizi teksta, danas postoji već
priličan broj računarskih programa za tu namenu. Pošto je razvoj softvera za
računarsku analizu teksta u zamahu, još nem a dobre osnove za njegovu
klasifikaciju. Postoje različiti pristupi pod kojima su programi pisani, različite
namene i značajna preklapanja. Ovde ćemo uzeti u obzir samo programe koji su
prvenstveno usmereni na kvantitativnu analizu teksta. One dmge, koji se bave
ozbiljnom kvalitativnom analizom teksta, možemo razvrstati u jednu šim
kategoriju: programe za kvalitativnu analizu, tj. CAQDA i obradićemo ih u
posebnom poglavlju.
Dakle, programi koje ovde imamo u vidu bave se pre svega kvantitativnom
analizom teksta, ali pri tome imaju još jednu karakteristiku: lingvistički su.
Lingvistički programi (u kojima je sam tekst predmet analize) bave se izradom
lista i indeksa, kao što su indeksi autora i indeksi pojmova (konkordance KWIC i
KWOC tipa), frekvencijskom analizom delova reči, reči i rečenica, leksičkom i
sintaktičkom analizom teksta, statističkom analizom teksta (kao što su klaster i
korespondentna analiza) sa ciljem da se identifikuju slični pojmovi i fraze, izraču-
navanje fonnula za čitljivost teksta i slično.
Navešćemo sasvim kratak spisak ovih programa koji je aktuelan u trenutku
pisanja ovog teksta.
Pwfiler+ , http://socialscienceautomation.com/Downloads2.aspx
WordSmith 4.0, http://www.lexically.net/wordsmitli/
Concordance, http://www.concordancesoftware.co.uk/
Textpack 7.0, http://www.gesis.org/en/software/textpack/index.htm
VB-Pro, http;//mmmiller.com/vbpro/vbpro.html
Neki od ovih programa imaju elemente kodiranja, odnosno kvalitativne
analize, a neki su pogodni za „zatvaranje otvorenih pitanja”. Na navedenimInter-
net adresama se mogu naći veze na druge resurse posvećene analizi teksta, a sam
spisak je preuzet sa prezentacije Haralda Kleina (http://www.textanalysis.info).
U računarskoj analizi teksta se kodiranje često vrši u obliku tzv, etiketiranja ili ozn ača-
vanja (engl. tagging ili labeling). Uobičajeni input u programe za kvantitativnu analizu teksta
je prost tekst, bez ikakvog formatiranja (najčešće kao tzv, ASCII tekst, koji sadrži samo
slova, brojeve i znake interpunkcije). Iz praktičnih razloga, potrebno je da se taj čist tekst
preradi i pripremi za analizu, Priprema teksta je široka oblast i može da obuhvati bilo šta.
Kao prvo, sam istraživač može da prečisti tekst od delova koji mu nisu zanimljivi, Isto tako,
može da ostavi samo one jedinice analize koje mu trebaju, a u pogledu našeg jezika može
da uskladi ekavicu i ijekavicu (ako slučajno postoje zajedno), da „dj' pretvori u „d” , da slovo
J" pretvori u „ T i slovo ,,o” u „0” tamo gde označavaju broj (što je praksa kucanja teksta
preostala sa pisaćih m a šin ^itd , Međutim, ono što je neposredno potrebno za odvijanje
samih programa se obavlja aktiviranjem raznih opcija i menija unutar softvera.
U tom smislu tagging je označavanje reči u tekstu da bi im se pridružile dodatne
informacije. Mogu se dodati tagovi sa gramatičkom informacijom (npr, imenica, glagol,
padež, broj, rod), oznakom kategorije kojoj reč pripada (npr, deca, odrasli, „pozitivan stav
prema promenama”), ili oznakom da li je data jedinica analize, na koju se tag odnosi,
uključena u analizu, ili isključena, Ako se analiziraju zapisnici, oznake (etikete) se mogu
odnositi na to ko je bio diskutant ili o kojoj se temi radi, U zavisnosti od programa za analizu,
tagovi služe neposredno za analizu teksta (recimo ako predstavljaju kategorije), ili samo za
kvantitativni opis teksta, kao što su frekvencije i lokacije reči - dakle i za sintaktičku i
semantičku analizu.

6. Analiza sadržaja audio I video zapisa

Kao što smo videli, analiza teksta je prilično apsolvirana oblast u tehničkom
i tehnološkom smislu. S obzirom na današnju dostupnost tekstova u elektronskom
formatu, istraživač će verovatno čak biti pošteđen unosa teksta. Medutim, analiza
audio i video komunikacija i poruka je nešto sasvim drugo. Zasada ne postoje
tehnička rešenja za prepoznavanje sadržaja tih medija, onako kako ih čovek pre-
poznaje. Međutim, radi se mnogo na tome da se taj problem ublaži.
Utvrdeno je, npr. da se analizom fizičkih karakteristika audio zapisa (ampli-
tuda, frekvencija, dinamika, pauze) može ustanoviti da li se radi o govomoj ili
muzičkoj emisiji. Ako se radi o muzičkoj emisiji, čak se elektronski može ustano-
viti kom žanru pripada muzika. U govomim emisijama postoje mogućnosti da se
elektronski prepoznaju odredene reči, ako već ne mogu sve, kako bi se prepozna-
lo 0 kakvom sadržaju se radi.
Kod video zapisa smo još daleko od toga da se elektronski mogu prepoznati
osobe ili predmeti na eki'anu, ali se, koristeći iskustvo sa audio zapisa dosta može
saznati o prirodi emisija. Postoje i uspešni pokušaji da se prepoznaje tekst koji se
pojavljuje na ekranu: špice, titlovi, odjave, tekstovi u reklamama i sl.
U svim slučajevima je korisno ako se mogu napraviti „apstrakti” emisija,
analogno apstraktima tekstuahiih članaka. Takvi apstrakti se onda mogu lakše
čuvati i pretraživati kada se prave pregledi sadržaja emisija. Postoje uspešni
pokušaji da se automatski, putem računara, prave apstrakti tv emisija, biio kao
serija stojećih slika, bilo kao kratki živi inserti.

L. Narativna analiza

Za „najviše kvahtativna” istraživanja se smatraju ona koja se zasnivaju na

naraciji i narativnoj analizi. Takva istraživanja su dominantna u etnologiji (antro-
pologiji) i istoriji (v. etnografsko istraživanje). Istraživač anaUzira „priče”, „ese-
je ” i „sastave na zadatu temu” koje su ispitanici ispričali ili napisali o svom životu
ili o nekom konkretnom predmetu istraživanja, bilo pre istraživanja bilo na zahtev
istraživača.
Naracija je suština fenomenološke paradigme ili socioistorijskog pristupa
nauci (Sampson, po Kerlingem i Leeu, 2000). Nauka je, po Sampsonu, pripove-
dač, a saznanje se sastoji od priča koje možemo ispričati o stvamosti. Svaka priča
je obojena ličnošću, iskustvom i orijentacijom pripovedača. Kao rezultat - nema
jedne i univerzalne istinite priče. Nasuprot socioistorijskom pristupu, tradicio-
nalni, kvantitativni pristup otkriva i opisuje stvamost objektivno, posmatrač je
neutralan, a nauka i saznanje su slika stvamosti, a ne njena interpretacija.
U socioistorijskom pristupu narativno se ističe u prvi plan kao protivteža
kvantitativnom. Naracija se tretira kao neka vrsta opšte metode, koja je prisutna u
svim naukama o ponašanju i ima za cilj da se pojave učine razumljivim, da se
protumače i shvate. Psihoanaliza se, recimo, odlikuje narativnom analizom i zato
je nazivaju hermeneutikom je r tumači, a ne dokazuje. Narativna istraživanja
dominantno koriste narativnu analizu da bi razumela pojave koje se istražuju.
 Danas je u metodologiji socijalnih istraživanja naracija dobila jedno
preciznije značenje od onog kojeg ima u kolokvijalnoj upotrebi. N arativnaanaliza
koristi priču da bi protumačila posmatranu pojavu. Naracija, storija, priča ili
pripovest su termini koji se mogu koristiti naizmenično. Ne treba pomešati
narativnu analizu sa analizom sadržaja, jer ova druga analizira već ispričanu pri-
povest, dok narativna analiza koristi pripovest za sticanje i prezentiranje znanja.
Narativna analiza se često naziva esejom, ali je tačnije reći da se eseji zasnivaju
na narativnoj analizi.
Da bi prikupio podatke za narativnu analizu istraživač se upoznaje sa
životom pojedinaca i traži od jednog iii više njih da mu ispričaju priču o njiho-
vom životu. Istraživač, onda, od ovih priča formira svoju priču, sistematizovanu i
metodološki uobličenu. Istraživač mora da kombinuje poglede učesnika na njihov
život sa svojim vlastitim životnim iskustvima u jednu interaktivnu, saradničku
naraciju.
Ključni pojam narativne analize je jezik. Jezik nije samo priča o nekome ili
nečemu, on je „konstrukcija sveta”, smatra se u naraciji bliskim krugovima. Oni
smatraju da jezik ima tri odvojene ah međusobno povezane funkcije: a) ideacionu
- sadržaj jezika u smislu značenja, b) interpersonalnu - odnos izmedu učesnika u
razgovoru i c) tekstualnu - sintaksu i semantiku jezika. Narativna analiza mora
obuhvatiti sve tri.
Naracija može imati nekoliko formi: objektivni opis, iskustva sa terena,
hronologija, model procesa, proširena priča, analiza po slučajevima i analiza
poređenja slučajeva ili detaljni deskriptivni portret. Cresvvell (2003) navodi
nekoliko konvencija koje istraživač treba da poštuje prilikom prezentiranja rezul-
tata narativne analize.
Kombinovati duge i kratke navode i navode u samom tekstu, Navodi
su primeri izjava samih učesnika - ispitanika.
Koristiti dijaloge u upravnom govoru, u jeziku kojim govore ispitanici.
Prezentirati tekstualne informacije u tabelarnoj formi.
Upotrebljavati formulacije koje koriste ispitanici.
Uz navode naizmence stavljati i autorove inteipretacije.
Uvlačenjem teksta ili na drugi način odvajati navode od ostalog teksta.
Ne izbegavati metafore.
Koristiti naraciju na isti način kao u studiji slučaja (v.) ili etnografiji.
Objasniti kako se narativni nalazi odnose prema teorijama i drugom litera-
Uirom u području. Treba imati u vidu da mnogi kvalitativni istraživači
diskutuju literaturu na kraju studije.
Može se reći da je naracija (priča) „najkvalitativnija” esencija kvalitativnih
metoda. Medutim, bez obzira na njenu bliskost zdravom razumu, tj. laicima,
naracija teško dostiže osnovne epistemološke ciljeve kao što su opštost, objektiv-
nost, preciznost, pouzdanost i proverljivost, Da bi priča imala epistemološku
vrednost, ona mora poštovati izvesna pravila, kao što su: sistematičnost, potpu-
nost, analitičnost i kritičnost.
 N arativni i logičko naučni način ra z m išlja n ja .-N a ra c ija je vrlo bliska ne
samo zdravom razumu nego i Ijudskoj misli uopšte. D žerom Bruner je smatrao da
generalno postoje dva načina razmišljanja: narativni i logičko-naučni. Ova podela
se veoma podudara sa opredeljenjima za kvalitativne ili kvantitativne metode, a
bliska je i tematici „kadrovskog problem a”, kako ovde nazivamo teškoće koje
društveni naučnici imaju sa usvajanjem informatičkih i statističkih znanja.

M. Kodiranje i analiza kvalitativnih

podataka

lako znamo da se kvalitativna istraživanja baziraju na kvahtativnim poda-

cima, kvalitativni podaci u obhku zapisnika, terenskih zabeleški, shka, ilustracija,
crteža, dnevnika i sl. skoro nikad se ne koriste u izvom om obhku. Da bi se anah-
zirah, moraju se kodirati. Studenti koji podvlače tekst u udžbeniku vrše kodiranje
kvahtativnih podataka (iako m ožda nisu svesni tog metodološkog postupka). Oni
odvajaju značajne delove teksta od neznačajnih, a ako koriste razhčite boje ili
hnije, onda je kodiranje još sofisticiranije.
Kodiranje kvahtativnih podataka je obično tako usko povezano sa njihovim
prikupljanjem i anahzom da ga je teško razlikovati od njih. N a primer, Dohan i
Sanchez-Jankowski (1998) kažu da se kodiranje nekad naziva indeksiranjem, a
nekad anahzom sadržaja. M ogućnost razhkovanja anahze i kodiranja leži u tome
što anahza, kao u utemljenoj teoriji ih anahzi sadržaja, po pravihi sadrži i izuča-
vanje povezanosti kodova-pojm ova-kategorija. Kodiranje, s druge strane, pretho-
di uspostavljanju veza (engl. hnk) između kodova, i po tom e se može razhkovati
od koraka anahze.
K vantitativno i k valitativno k o d ira n je .-K o d ira n je kvahtativnih podataka
se koristi i u kvantitativnim i u kvalitativnim istraživanjima. U kvantitativnoj
anahzi se kvahtativni podaci kodiraju kako bi se m ogh unositi i statistički obradi-
vati. Kodiranje se obično vrši tako Sto se dodeljuju numeričke šifre,. Ovaj tip ko-
diranja se ponekad naziva ohjektivističko kodiranje. Karakterističan primer ovog
kodiranja je „zatvaranje” otvorenih pitanja iz upitnika. lako se nedovoljno korisfi,
sistem kodiranja kvahtativnih podataka razvijen za potrebe kvahtativne anahze
može biti vrlo efikasan u kvantitativnim studijam a kroz objektivističko kodiranje.
Pomoču kodiranja se kvalitativni p o d a ci m ogu transform isati u kvantitativne.
U kvahtativnim istraživanjim a je kodiranje samo po sebi anahza podataka.
Zato se takvo kodiranje naziva heurističko kodiranje. Kodovi u heurističkom
kodiranju mogu biti reči, rečenice iU kom entari. lako je tačno da su ciljevi i
namena kvantitativnog i kvahtativnog kodiranja različiti, heuristički kodovi mogu
poslužiti za statističku anahzu, kao i obrnuto.
 Kodiranje može biti nominalno, ordioalno ili intervalno. Kod nominalnog
kodiranja princip je klasifikacija, koja je jedna od temeljnih operacija u saznanju
uopšte. Podaci, kao što su delovi teksta, klasifikuju se u neku kategoriju.
Nominalno i ordinalno kodiranje se može izvršiti na različite načine. Na
primer, može se koristiti tehnika poređenja po parovima ili neka od sličnih
tehnika koje su razrađene još u psihofizici. Poredenje po parovima se, na primer,
sastoji u tome da se sve jedinice anahze međusobno uporede po istom svojstvu.
Rezuhat svih poredenja će biti mesto svake jedinice anahze na kontinuumu
svojstva (tako se mogu porediti studentski seminarski radovi, dečji crteži, eseji i
sl.). Može se primeniti i poređenje sa standardom, a sećamo se da je to klasična
defmicija merenja. Koristi se i ocenjivanje od strane eksperata za oblast koja se
istražuje. N a primer, kod Thurstoneove skale za merenje stavova eksperti
ocenjuju težinu stavki. Videli smo da su skale procene, generalno, tehnika koja se
može koristiti i za kodiranje kvahtativnih podataka.
Intervahio kodiranje se obavlja tako što se prebrojavaju rcči ili slova, meri
trajanje nekog ponašanja ih pauza u govoru i sl.
U kvahtativnom kodiranju se kao prototip može uzeti utemeljena teorija.
Važna osobina utemeljene teorije, kao i kvalitativnog kodiranja uopšte, je iterativ-
nost i rekurzivnost. Podaci se kodiraju, proveravaju, rekodiraju, a kategorije se
menjaju i prilagodavaju. Ova iterativnost je univerzalna u celokupnom naučnom
saznanju, uočili su je mnogi autori (slična je induktivno-deduktivnoj spirali R.
Cattella) i nije dijferentia specifica kvalitativnih metoda.

1. Beleženje i snimanje

Da bi se mogli kodirati, kvalitativni podaci se pi“vo moraju prikupiti. Taj

korak se danas obično obavlja audio ili video snimanjem tokom posmatranja,
intervjua ili fokus grupa. Ako se koriste arhivski podaci, onda su oni već dostupni
u snimljenom (ili tekstualnom) obliku. Ranije su se istraživači oslanjali iskjjučivo
na terenske zabeleške koje su vodili oni ili njihovi saradnici. Ručno vodenje
tačnih zapisnika je bio veoma težak posao.
Medutim, razvoj kvalitativnih metoda i utemeljene teorije pokazao je da se
pune interaktivne mogućnosti inten'jua ne koriste ako se intervjuer u potpunosti
osloni na prepis intervjua. Zato je Glaser dao potpuno suprotnu preporuku: ništa
ne snimati ni zapisivati tokom samog intervjua, osim kratkih napomena, nego
sastavljati zapisnik čim intervju bude gotov. Njegova preporuka je u potpunosti
oslonjena na konstruktivističku paradigmu, po kojoj je cilj istraživanja da istraži-
vač izgradi svoje vlastito tumačenje pojave koju istražuje. Medutim, tu radikalnu
preporuku je teško sprovesti pa većina istraživača snima kompletan tok intervjua.
Za očekivati je da će izbor načina snimanja i beleženja zavisiti od namera i
od usvojene paradigme. Oni koji se drže konstruktivističko-fenomenološke para-
digrne oslanjaće se samo na terenske zabeleške (engl. field notes), a mogu i
razviti neki lični sistem za memorisanje bitnih delova intervjua. Ostale ništa ne
sprečava da kombinuju Glaserovu tehniku zabeleški sa kompletnim snimanjem.

2. Transkripcija

Transkripti, prepisi ili zapisnici služe da se izgovorena reč pretvori u pisa-

nu. Dobar transkript polustmkturisanog ili nestrukturisanog intervjua je uslov bez
koga ne može biti dobrog kodiranja. Istovremeno, transkripcija intervjua može
biti vrlo zametan i dugotrajan posao. Na primer, procenjuje se da jedan sat disku-
sije (razgovora, fokus gmpa, intervjua) zahteva oko 20 sati transkripcije po pu-
nom Jeffersonovom sistemu, a 10 sati po skračenom (za analizu diskursa, Lang-
dridge, 2004), dok za običan prepis 1 minute intervjua sa trake treba 7 minuta.
Nema nekog standardnog recepta za pravljenje prepisa. Mnogo zavisi od
namene transkripta, a namena zavisi od odabrane metode. N a primer, narativna
analiza če zahtevati mnogo detaljniji prepis od fenomenološke analize - fenome-
nološki orijentisanom istraživaču, koji sprovodi biografsko istraživanje, uopšte
neće biti bitno da bude zabeleženo sve što je rečeno.
Ipak, u većini slučajeva od transkripta se očekuje da bude tačna slika onoga
što je rečeno. U minimalnom smislu, to znači da mora biti zapisano sve što je
rečeno, kako od strane istraživača, tako i od strane učesnika (ono što je rekao
istraživač može biti jednako važno kao i ono što su rekli ispitanici, jer defmiše
kontekst). Zatim, sve mora biti zapisano doslovno onako kako je rečeno, uključu-
jući gramatičke greške, mucanja, uzrečice i sl.
To nije sve. U mnogim istraživanjima nisu važne samo reči. Traži se da
budu zapisane pauze, govor u glas, naglašavanje, uzdasi, kolutanje očima itd. To
proizlazi iz toga što govor, osim verbalnih informacija sadrži i prozodičlce
(fonološki elementi kao što su intonacija i naglasak), paralingvističlce (aspekti
kao što su da li je reč izgovorena šaljivo ili ozbiljno) i ekstralingvističlce (nelin-
gvistički elementi, kao što su gestovi) infom acije. Langdridge (2004) prikazuje
Jeffersonov sistem transkripcije u kome se pomoću posebnih simbola i grafičkih
rešenja može zabeležiti većina ovih elemenata.
Ako transkript ne sadrži prozodičke, paralingvističke i ekstralingističke
informacije, stvar još uvek nije izgubljena, jer istraživač može čitati transkript i
dopunjavati svoje razumevanje iz snimljenih traka. U transkripciji mogu pomoći
i terenske zabeleške koje je istraživač vodio.
Ni to nije sve. Translcripcija j e analiza i u tom smislu se preporačuje da je
istraživač obavlja sam. Pročešljavanje traka i preslušavanje razgovora omogućava
istraživaču da bude „utemeljen” u svojim sirovim podacima i obično mu pomaže
da stvori različite ideje o daljem pravcu analize. U skladu sa stvaranjem tih ideja,
istraživač može beležiti svoje komentare (memoe) i sastavljati probnu kodnu
shemu.
 3. Kategorije

Osnovu za kodiranje čini sistem kategorija. Po Holstiju, kategorije su fioke

u koje se razvrstavaju jedinice analize, a kodiranje je proces razvrstavanja. Kate-
gorije se obično izjednačavaju sa pojmovima, odnosno konstruktima. Kategorije
mogu biti bilo koja svojstva jedinica analize koja su od interesa za istraživanje.
One mogu biti neki opštiji pojmovi, ili klase, ali mogu biti i položaj jedinice u
tekstu ili vreme pojavljivanja, ako je istraživanje longitudinalno.
Međutim, podsećamo da se u utemeljenoj teoriji, kao prvo, smatra da su
kategorije iznad pojmova jer mogu da sadrže više pojmova, kao i odnose između
njih. Drugo, kodovi ne služe samo da označe kategoriju u koju jedinica analize
spada, nego služe i kao prethodnica kategorija, tokom procesa formiranja kate-
gorija (zato kodovi u utemeljenoj teoriji mogu biti i u obliku komentara).
Sistem kategorija, koje su osnov za kodiranje, i sistem pravila i uputstava za
klasifikaciju jedinica analize u kategorije često nazivamo kodnom shemom ili
kodnim sistemom (Cozby, 2003).
Za sistem kategorija koji se koristi u jednom istraživanju važna su sledeća
dva pitanja: pojedinačna nasuprot višestrulcoj lclasifikaciji i predefmisane (a
priori) nasuprot izvedenim (a posteriori) kategorijama.
Pojedinačna klasifikacija podrazumeva da jedna jedinica analize može biti
kodirana samo jednom - jednim kodom. Ako je klasifikacija višestruka, onda se
ista jedinica analize može razvrstati u više kategorija, tj. može imati više kodova.
Višestmka klasifikacija otežava analizu, posebno statističku, jer čini da same
kategorije više nisu nezavisne dimenzije, nego su z,avisne u meri u kojoj dele jedi-
nice anahze. Višestruke klasifikacije redovno nastaju onda kada je sistem katego-
rija koncipiran hijerahijski, ah u tom slučaju ne otežavaju anaUzu. Višestruke
klasifikacije su se ranije vrlo malo koristile jer je tehnika ručnog kodiranja to
onemogućavala.
Korišćenje predefmisanih kategorija se odnosi na upotrebu unapred defmi-
sanih kategorija i na razvrstavanje jedinica analize u te kategorije. Takva upotreba
anahze sadržaja je deduktivna i mogla bi se nazvati metodom za merenje kon-
strukta. Predefmisane kategorije mogu biti: a) rečničke - standardne, b) iz pret-
hodnih istraživanja, ih c) formirane na osnovu istraživačkih pitanja ih hipoteza.
Standardne kategorije se vrlo često koriste u anahzi sadržaja i nazivaju se
rečnicima. Takvi rečnici (engleski) sadrže 60, 150 ih više kategorija, pravila za
razvrstavanje reči i fraza u kategorije i Ustu postojećih razvrstanih reči.
Standardni kodni sistemi mogu biti veliko olakšanje, ali treba biti oprezan, jer katego-
rije zavise od konteksta, a ako je kontekst specijalistički (kao što je npr. kod stručnih tek-
stova), onda su ovi rečnici slabo upotrebljivi. Naravno, to olakšanje će zasada osećati samo
istraživači koji analiziraju tekstove na engleskom jeziku, ili nekom drugom za koji postoje
takvi rečnici.
Na primer, Cozby (2003) navodi kodni sistem za porodične interakcije, koji ima 29
kategorija porodične interakcije, grupisanih u: averzivne (neprijateljske), prosocijalne (poma-
žuće) i opšte aktivnosti. Drugi kodni sistem, SVMLOG, namenjen je kodiranju interakcija u
 malim grupama I sadrži tri glavne dimenzije: neprijateljska - prijateljsl<a, emoclonalno eks-
presivna - instrumentalno kontrolisana i submisivna - dominantna.
Analiza sadržaja se vrlo često primenjuje za utvrdivanje predstave (imidža) o nekom
objektu u medijima. Kodni slstem koji se tu koristi je u velikoj meri standardizovan. Kao prvo,
koriste se kvantitativne kategorlje koje se odnose na dužinu članka ill emisije (u rečlma ili
sekundama) ill učestanost pojavljlvanja (broj članaka lli emislja). Zatim se koriste i kvalita-
tivne kategorije kao što su: način spomlnjanja, autor priloga, postojanje llustracije ill slike,
veličina naslova u novlnama, da II osoba (ako je reč o osobi) sama govori lli novlnar čita
njenu izjavu itd. U upotrebl su I kategorije koje su Izmedu kvantltavnlh I kvalitativnlh kao što
je položaj u prilogu. Ove kategorije su u manjoj III većoj meri usvojene I od strane medljsklh
redakcija, a intervjuom sa urednicima se mogu saznati I drugl detalji o tome kako oni
nečemu daju, a nečemu oduzimaju značaj.

Kategorije koje se preuzimaju iz prethodnih istraživanja su slične

rečničkim, ali su manje standardizovane, mogu se modifikovati i koriste se kada
se ponavljaju istraživanja iste pojave ili se pojava prati longitudinahio,
Treća vrsta kategorija su one koje se defmišu na osnovu istraživačkih
pitanja i usvojenih teorija, pojmova i varijabli. Na primer, ako se teorija harizma-
tičkog vodstva iskoristi kao osnova za defmisanje kategorija, onda osnovne
kategorije mogu izgledati kao: a) samopouzdanje, b) jaki moralni principi i c) jaki
ideološki zahtevi prema potčinjenima. Bitno je da su ove kategorije stvorene pre
analize podataka, čak i pre uvida u podatke i da imaju deduktivan karakter -
podaci se uklapaju u kategorije.
Nasuprot tonie, izvedcne ili a priori kategorijc nastaju tokom kodiranja i
anahze podataka, u konkretnom istraživanju. Takva primena analize sadržaja je
induktivna i mogla bi se nazvati pristupom stvaranja konstrukta. Ako se odabere
ova vrsta kategorija, onda anahza sadržaja postaje ekvivalentna utemeljenoj
teoriji.
Kategorije koje se formiraju prema zahtevima utemeljene teorije su zanim-
Ijive i često pominjane u udžbenicima zbog svog induktivnog epistemološkog
ekskluzivizma. Medutim, predefmisane kategorije se koriste rrmogo više, posebno
u anahzi sadržaja. Pošto se analiza sadržaja često koristi u primenjenim istraživa-
njima, odnosno u čisto praktične svrhe, onda induktivni način formiranja kate-
gorija nije prihvatljiv.
Valjaiiost kodne shem e.- Bilo da se radi o predefmisanim ili izvedenim
kategorijama, kodna shema mora biti kvalitetna. Prvi i osnovni kvalitet, posebno
kod izvedenih kategorija, je valjanost.
Pojavna valjanosl (engl. face validity) kategorija se defmiše kao kores-
pondencija izmedu istraživačeve definicije pojmova i definicije kategorija koje su
namenjene merenju tih pojmova. Svaka kategorija treba biti pregledana i treba
biti ocenjena pojavna valjanost jedinica analize koji su njoj dodeljeni, odnosno da
li one dobro reflektuju smisao dotičnog pojma, odnosno kategorije. Takode, u toj
fazi treba raščistiti problem sinonima, homonima, idioma i referentnih zamenica
i odredbi.
Pod referentnim zamenicama I odredbama se podrazumeva slučaj kada se neki
objekt ili subjekt, nakon prvog pojavljivanja u tekstu, kasnije referiše zamenicom ill frazom
 kao što je ,,tl problemi”. S obzirom da te zamenice ili fraze zapravo označavaju sasvim
određeni objekt, a da postojeći softver za analizu sadržaja vrlo teško može da otkrije koji je
taj referisani objekt, ignorisanje tog problema dovodi do lažnog uvećanja učestanosti
zamenica, a lažnog umanjenja pojavljivanja objekta.

Semantička ili pojmovna valjanost se može proceniti tako da eksperti za

jezik i za istraživanu oblast pregledaju svaku kategoriju i na osnovu dodeljenih
jedinica analize procene da li one stvamo znače ono što predviđa kategorija i
odnosni pojam.
Konstrnktivna valjanost se može definisati kao adekvatnost kategorija i
njihovih pravila dodeljivanja za merenje onoga za šta su namenjene da mere -
pojmove istraživanja. Ako je kodiranje bilo kvantitativno, preporučuje se i ocenji-
vanje konvergente vaijanosti (da li slične kategorije koreliraju) i diskriminativne
valjanosti (različite kategorije ne smeju da koreliraju).
Neki autori naglašavaju potrebu za empirijskom, odnosno kriterijumskom
validnosti, koja se odnosi na utvrđivanje da li postoji ekstema evidencija koja bi
mogla potvrditi rezultate kodiranja i čitavog istraživanja. Takođe, sreće se i pojam
fenomenološke valjanosti, koja se odnosi na to da li je istraživač interpretirao ono
što je rečeno na način kako su učesnici komunikacije to smatrali da znači.
Razvojni pristup kodnoj shenii - Praksa pokazuje da je teško isprve
napraviti dobar sistem kategorija, a kada se on napravi, ništa ne garantuje da će
biti dobar i za druge podatke. Zato se u analizi sadržaja i svuda gde se kodiraju
kvalitativni podaci, preporučuje da se sistemu kategorija pristupa razvojno.
To znači da se pi"vo fonnira jedan probni skup kategorija i odgovarajuća
pravila za klasifikaciju, tj. za dodeljivanje jedinica analize kategorijama. Iz poda-
taka (teksta) se onda može izdvojiti jedan uzorak i na njemu izvršiti kodiranje
jedinica prema probnoj kodnoj shemi. Zatim treba oceniti valjanost sistema
kategorija i prikupiti iskustva o tome kako je proteklo kodiranje.
Iza toga sledi pročišćavanje kodne sheme (knjige šifara). Kategorije se
menjaju, spajaju, uvode se nove, a menjaju se i pravila i uputstva za kodiranje,
odnosno klasifikaciju jedinica analize. Zatim se podaci ponovo kodiraju i
proverava se semantička valjanost, reproducibilnost odnosno pouzdanost izmcdu
procenjivača, kao i pretest-posttest pouzdanost. Naime, pouzdanost, u načelu,
nije svojstvo sistema kategorija, nego kodiranja u celini, ali kodna shema utiče na
to kako će koderi obaviti svoj posao. Ovaj proces pročišćavanja kodne sheme se
obično mora ponoviti više puta.

4. Kodiranje

Kodiranje obuhvata dva procesa:

• podelu kvalitativnih podataka na jcdinice analizc i
• dodeljivanja oznaka, labela, etiketa ili kodova jedinicama analize.
 Pod jedinicam a analize podrazumevamo reči, fraze, rečenice, pasuse ili
dijaloge, grafičke i ikoničke celine, delove tv ili radio emisija, segmente dečjeg
ponašanja u vrtiću, aii to mogu biti dokumenti, emisije ili crteži u celini. Kao što
je ranije već rečeno, najčešći kvalitativni podaci su tekstualni, pa se i u udžbeni-
cinia najčešće pod kodiranjem podrazumeva kodiranje teksta.
Kako će kvalitativni materijal biti izdeljen na jedinice analize, zavisi od dva
faktora: a) kako su podaci prikupljeni i b) prirode kategorija (Guetzkow, 1950).
Na primer, ako je reč o polustrukturisanom intervjuu, jedinice će verovatno biti
defmisane kao jedno pitanje i odgovor. S druge strane, u transkriptu nestrukturi-
sanog intervjua jedinice analize ne mogu biti pasusi jer Ijudi ne govore u pasusi-
ma (u tom slučaju najbolje je za jedinicu uzeti „misao”). Sto se tiče prirode
kategorija (v. kasnije), jasno je da će „krupne” kvalitativne kategorije zalitevati
krupnije jedinice. Ako je jedinica prevelika, postoji opasnost da upadne u dve ili
više kategorija, a ako je premalena, neće sadržavati dovoljno smisla da bi bila
razvrstana u bilo koju kategoriju. Drugim rečima, prikupljanje kvalitativnili poda-
taka, njihova transkripcija, kodiranje i analiza su isprepleteni i jedno na drugo
utiču u presudnoj meri.
Samo dodeljivanje kodova se vrši ručno ili računarski. Međutim, kada se
kaže računarski, misli se uz pomoć računara, jer računar obavlja tehnički posao
oko kodiranja, dok osnovni posao, a to je prepoznavanje šta je jedinica analize i
da li ona spada u neku kategoriju i koju, obavlja istraživač. Ručno kodiranje se
pod izvesnim okolnostima i u izvesnim fazama može obaviti tako da se na margi-
nama transkripta, ili na bilo kom slobodnom mestu upisuju kodovi. Zbog toga je
korisno ako se transkript napravi tako da ostane dovoljno mesta za kodiranje (kao
i za memoe), recimo tako da zauzima samo jedan stubac uz levu ivicu stranice.
Standardna ručna procedura, međutim, predviđa da se tekst koji se kodira
fotokopira u dovoljnom broju primeraka i da se jedinice analize označe (podvuku)
i zatim fizički (makazarna) iseku. Kodiranje se onda obavlja tako što se traka sa
jedinicom analize ubacuje u kutiju ili fascikl koji pripada kategoriji.
K odiranje im a više nivoa.-U poglavIju o utemeljenoj teoriji opisanoje da
se kodiranje danas deli na više nivoa. Pomenuto je Glaser-Straussovo otvoreno,
aksijalno i selektivno kodiranje i Charmazovo inicijalno i fokusirano kodiranje.
Langdridge (2004) opisuje kodiranjeprvog, drugog i trećeg reda. Broj i priroda
nivoa nisu uvek isti i nisu potpuno ekvivalentni. Medutim, kada se uporede, vidi
se da sve ove podele imaju neke zajedničke principe. Nivoi kodiranja se uvek
razlikuju po stepenu analitičnosti koji pojedini nivo sadrži, odnosno po tome da li
je bliži sirovim podacima ili fmalnim kategorijama.
Kodiranje uvek počinje na sirovim podacima, bez kodne sheme ili sa
probnom kodnom shemom i bez detaljnog istraživačevog uvida u celinu pojave
koja se istražuje. Kako kodiranje i analiza odmiču, kategorije su sve razrađenije,
podaci jasniji, kodna shema razrađenija i istraživač se sve više bavi konačnim tu-
mačenjem. Naravno, ovaj tok jeste karakterističan za utemeljenu teoriju, na pri-
mer, ali ne mora biti tipičan za anahzu sadržaja u kojoj se manje ili više rutinski
 analizira imidž nekog proizvoda (industrijskog ili političkog) u medijima. Neki od
nivoa kodiranja mogu izostati, mogu se spojiti, ali u celini gledano, oni su tu.
Sa gledišta utemeljene teorije (a za nju se kaže da je „paradigma kvalitativ-
ne paradigme”) kodiranje je proces kako kategoriziranja (klasificiranja) kvalita-
tivnih podataka, tako i opisivanje implikacija i značenja tilr kategorija. U početku
se vrši otvoreno kodiranje, tokom koga se pažljivo sagledavaju podaci u svim
detaljima kako bi se formirale neke inicijalne kategorije. Nakon toga, istraživač
prelazi na selektivnije i aksijalno kodiranje gde se tekstualni i drugi izvori
sistematski kodiraju s obzirom na centralni koncept. Inicijalno ili otvoreno kodi-
ranje koje se obavlja bez predctcmiinisanili kategorija i kodova naziva se in vivo
kodiranjem.
Ako su pravljeni doslovni zapisnici intervjua (ili neke druge metode priku-
pljanja podataka), čitaju se mali uzorci teksta (obično red po red). Zatim se
identifikuju potencijalne teme koje se javljaju u tekstu. Ako su pravljene beleške
tokom razgovora, koristiće se one, ili će se porediti sa zapisnikom. Tokom kodi-
ranja istraživač zapisuje i svoje komentare - memoe. Oni se mogu odnositi na
bilo kakva zapažanja; o kodnoj shemi, o uočenim pravilnostima u podacima, o
problemima i rešenjima. Memoi se mogu koristiti u sledećim fazama kodiranja i
za unapređenje kodne sheme. Sledeći važan pojam utemeljene teorije je „stalno
uporedivanje” u korne se stalno porede dodeljeni kodovi sa novim kodovima, sa
podacima, sa novim kategorijama, kao i svi ovi elementi međusobno.
U tematskoj analizi, utvrđivanje tema se obavlja na različite načine. To se
može raditi induktivno, tako da se prosto podvlače ključne reči koje se sreću u
tekstu - in vivo kodiranje. S druge strane, mogu se u tekstu tražiti neke opšte
teme za koje se očekuju da su karakteristične za kultum, grupu ili okruženje za
koje je tekst namenjen (npr, društveni konflikti, kulturne kontradikcije, neformal-
ne tehnike dmštvene kontrole, ponašanje u impersonalnim socijalnim odnosima,
igranje i prihvatanje društvenih uloga i statusa, načini rešavanja problema itd.).
Osim opštih tema, istraživač može u literaturi potražiti specifične teme i podteme.
Sve u svemu, kada istraživač na kraju utvrdi teme (kodira ih, označi, odnosno
imenuje) koje su relevantne za čitav tekst, može se reći da je veći deo
interpretacije obavljen. U tom smislu postoji sledeća izreka: kodiranjeje analiza.

5. Usaglašavanje kodera i pouzdanost kodiranja

Dobro kodiranje mora da predvidi fazu treniranja procenjivača. Tokom

treninga procenjivači moraju da nauče da primenjuju kodnu shemu, ali i da
usklade lične kriterijume i ,jednačine” kako bi im se procenjivanje ujednačilo.
Iskustva mnogih istraživača su razočaravajuća upravo u segmentu slaganja
procenjivača i teškoćama da se oni ujednače. Teškoće su sve veće što procenji-
vači imaju veći udeo u anahzi, pa recimo sami vrše uzorkovanje jedinica analize,
ili kad je kodna shema labava, a kategorije krupne i dvosmislene.
 U obuci kodera se mogu primeniti proverene didaktičke metode kao što su
prezentacija gotovih primera, zatim zajedničko kodiranje istog materijala, tuma-
čenje i usaglašavanje razlika, saveti iskusnog kodera (istraživača) itd. (v. poglav-
Ije o neposrednom posmatranju).
Pouzdanost kodiranja kvalitativnih podataka najčešće se operacionalizuje
kao pouzdanost između procenjivača (engl. interrater reliability). Ova se, opet,
svodi na saglasnost kodera. Izračunava se obično tako da klasifikaciju teksta
izvrše razni koderi i da se stepen saglasnosti između njih predstavi nekom merom
korelacije. Šta više, smatra se da je jedini način da se obezbedi objektivnost i
pouzdanost kodiranja da kodiranje obavi više šifranata. Međutim, primena raču-
nara za kvalitativno kodiranje i analizu relativizira taj zahtcv. Savremeni softver
za semantičku analizu sadržaja omogućuje i stimuliše iterativno usaglašavanje
kodnih shema, dopunjavanje, testiranje hipoteza, a pri tome omogućava da svaka
iteracija bude detaljno dokumentovana.
Koristi se i pretest-posttestpouzdanost, koja se može izračunati tako da se
kodiranje ponovi nakon nekog vremena i da se stabilnost oceni korelacijom
između dva kodiranja.
Neki autori pouzdanost vide i u preciznosti kategorija: ,,U principu i najve-
ćim delom, u praksi se relijabilnost postiže izučavanjem izvora neslaganja kodera
i postizanjem potpunijih i jasnijih definicija različitih sistema kategorija”. Među-
tim, postoji opasnost da se razmenom razumevanja i rafiniranjem defmicija tokom
treniranja, koderi udalje od teorijskih konstrukata koji su ugrađeni u kategorije
(analogan problem postoji i u neposrednom posmatranju, v.). Osim toga, ako se
pažnja posvećuje značenju i smislu kategorija, onda to više podseća na pitanje
validnosti, a ne pouzdanosti.
Na ovaj ili na onaj način prikupljanje podataka u naukama o ponašanju
uvek se bazira na Ijudskom sudenju. Treba učiniti korak napred i učiniti da
sudenje bude objektivno, a anahza kvantitativna. Kada je reč o poboljšavanju
sudenja, svc je u rukama istraživača i kodera, da pravilnim uputstvima, pravilnim
izborom jedinica uzorkovanja, dobrom obukom, iskustvom i višestrukim vraća-
njem i ponovnim analiziranjem provere adekvatnost kodiranja.

6. Primena računara u analizi !<valitativnih podatal<a

Analiza kvalitativnih podataka ili kvalitativna analiza podataka, teško je odlučiti. Oba
termina mogu biti tačna. Kvantltativna analiza podataka se već odavno ne može zamisliti
bez računara, prvo vellklh (engl. m ainfram e), a zatim personalnih. Računari ne samo da
olakšavaju kvantltalivnu analizu, nego je u značajnoj merl I omogućuju. Na primer, multi-
varljatna analiza je zbog vellkog broja računskih operacija praktično nemoguća bez primene
računara. Sledeća važna karakteristlka prlmene računara u kvantitativnoj analizi je to što se
nakon niza godina relativno stabilizovalo tržište statlstičkog softvera (v. odgovarajuće po-
glavlje). To ne znači da postoji samo jedan ili dva programa, nego da postoje neki glavni
predstavnici statističkih paketa (npr. SPSS i SAS) i kriterijumi koji služe za njihovu evalu-
aciju i izbor.
 U domenu kvalitativne analize stvari ne stoje tako. Ovde računari mogu
značajno da olakšaju posao istraživaču, ali nisu nužni za primenu kvalitativne
analize (osim ukoliko obim podataka nije vrlo veliki). Šta više, iz raznih razloga,
još uvek postoji otpor prema primeni računara u kvalitativnoj analizi, sa argumen-
tacijom da se ona (primena) protivi duhu i tradiciji kvalitativne analize. S druge
strane, ponuda softvera još nije na onom nivou da bi računar učinila nezame-
njivim. Na engleskom postoji termin „killer application” za onaj program koji je
učinio da nične procedure odu potpuno u zaborav i da ih zamene računari. Na pri-
mer, procesori teksta su takve „killer apps”, a u domenu kvantitativne analize to
su SPSS i nekoliko drugih programa. Kvalitativna analiza podataka još nema
svoju „killer application”. Pošto se na engleskom kvalitativna analiza podataka
skraćeno naziva QDA, softver za analizu kvalifativnih podataka naziva se skra-
ćeno CAQDAS (od engl. Computer-aided Qualitative Data Analysis Software).
Fhck (prema Langdridge, 2004) identifikuje 14 procedura kvalitativne
analize koje mogu da se obave uzpom oć računara: pravljenje terenskih zabeleški,
transkripcija, uređivanje, kodiranje, memorisanje i čitanje podataka, pretraživanje
i pristup podacima, povezivanjejedinica analize, pisanje memoa, analiza sadržaja,
prikazivanje podataka, provera i zaključci, gradnja teorije, izrada grafičkih
prikaza i pisanje izveštaja.
Za većinu ovih procedura - svuda gde se spominje pisanje, memorisanje,
čitanje, pretraživanje - dovoljan je procesor teksta kao što su Microsoft Word ili
Corel WordPerfect. Za neke od procedura (kodiranje, povezivanje) mogu da
posluže i komercijalni programi za tabelarno izračunavanje (engl. spreadsheet) ili
upravljanje bazama podataka (engl. database). Vehki broj istraživača se zadržava
na upotrebi ovih opšte dostupnih i poznatih programa i koriste ih na opšte
zadovljstvo.
Međutim, za punu računarsku kvalitativnu analizu je presudno da postoje
specijalizovani programi. To su oni programi koji uz sve pobrojane procedure
mogu da obavljaju srž kvalitativne analize: defmisanje jedinica analize, kodiranje
i povezivanje kodova, što uz kombinaciju sa memoiziranjem omogućava formi-
ranje kategorija i gradnju teorije. Upravo ove procedure ne postoje o komerci-
jalnim programima opšte namene, kao što su procesori teksta.
S obzirom da se najčešće analiziraju tekstualni podaci, programi za analizu
kvalitativnih podataka se često nazivaju programima za kvalitativnu analizu
teksta. U poglavlju o analizi sadržaja spomenuti su programi za kvantitativnu i
lingvističku analizu. Programi koji se bave kvalitativnom analizom teksla,
odnosno semantičkom, sadržinskom ili bihejvioralnom analizom, usmereni su na
sadržaj teksta, luuitrašnje odnose jedm ica anahze, na kategorije i njihova znače-
nja. U ovom drugom tipu programa se sreće i kvalitativni i kvantitativni pristup
analizi teksta.
Navešćemo sasvim kratak spisakprogram apo glavnim kategorijama, koji je
aktuelan u trenutku pisanja ovog teksta.
 N V iv o , h ttp ://\v w w .q srin le m a tio n a l.c o m
N 6 (še sta v e rz ija N U D * I S T - N o n -n u m e ric a l U n stru c tu red D a ta In d ex in g
S e a rc h in g a n d T h eo rizin g ), h tlp ://w w w .q srin te rn a tio n a l.c o m
A T L A S .Ii, h ttp ://w w w .a tla sti.c o m /in d e x .p h p
K w a lita n 5.0, h ttp ://w w w .k u n .n l/m e th o d e n /k w a Iita n /in d e x .h tm l

NVivo je program koji je pogodan za intenzivnu kvalitativnu analizu manjeg fonda

podataka, uključujući i multimedijalne podatke. Ima ugraden import (iz procesora teksta) I
eksport (u statističke pakete) podataka. Projekt počlnje sa in vivo kodiranjem, ali i hijerar-
hijskim kodiranjem na više nivoa. Nakon kodiranja, čvorovi (kako se u programu nazivaju
kodovi) se mogu povezivati, menjatl, modelirati i pregledati, a uz svaki se mogu dodavati
memoi.
NUD*IST je preteča i uzor sadašnjih velikih programa za kvalitativnu analizu. Kompa-
nija QSR ga sada prodaje pod nazivom N 6, gde broj šest označava tekuču verziju progra-
ma. Program u osnovi ima indeksiranje teksta, pri čemu za svaki „čvor" indeksa korisnik
može definisati razne komentare, napomene (memoe), kategorije, rezultate pretraživanja I
sl. Na taj način se mogu uspostaviti, tražiti i analizirati odnosi izmedu reči. Ovi odnosi mogu
biti pojmovni, leksički, ili bilo koji drugi. Korisnik može lako da menja čvorove i unosi novl
tekst, a flekslbilno je kategorisanje i kodiranje teksta. Program može da drži I obrađuje veliki
broj dokumenata i veliku zapreminu teksta. Zahvaljujući tome je pogodan za longitudinalnu
analizu, ali ima nešto ograničeniju dubinsku analizu kategorija (čvorova) i njihovih veza u
odnosu na NVivo.
Program ATLAS.ti može da obraduje i grafičke, audio I video datoteke. Program je
dobro integrisan u grafički korisnički interfejs MS Windows i poseduje sve moderne tehnike
kao što je tehnika „drag-and-drop". Tekst koji se analizira (jedinica analize) se markira, ko-
dira, memoizira, pa se zatim prave „mape” i „mreže" svih jedinica u skladu sa zadatim krite-
rijumima.

Prigovori računarskoj analizi !<valitalivnih podalalva - Pre sv eg a, treba

im ati u v idu k a d ro v sk i p ro b lem j e r k v a litativ n i p ristu p n ije u sa g lasn o sti sa infor-
m atičk im rezo n o v a n je m . In tu itiv n o , ra ču n a ri se lak o p o v e zu ju sa k v a n titativ n o m
a n alizo n i, a tešk o sa k v a litativ n o m . K v a lita tiv n o o rije n tisan i a utori se žalc d a im
treb a ran o g o v re m e n a d a o v la d a ju p ro g ran iim a za k v a lita tiv n u an alizu . Pri tom e
im aju i b o ja z a n da će ra ču n a ri d ik tira ti p ro b le m e i ob lasti istraž iv an ja. P o sto ji i
p rim e d b a da su u raču n arsk o j k v a litativ n o j analizi p o d aci ,,d e k o n te k stu alizira n i” ,
jer istraž iv ač i im aju utisak da su b liž e p o d a c im a k a d a ih p re g le d a ju na papiru.
T ak o đ e , z a m e ra se i to što svaki p ro g ra m o b ičn o sledi teo rijsk u p e rsp ek tiv u nje-
gov ih au to ra , što čini da raču n a rsk i p o d rž a n a an aliza n e će b iti teo rijsk i neiU ralne
(C a tte ra ll i M a c la ran , 1996).
 N. Analiza sekundarnih podataka

Uobičajeno je da se prim arni i sekundarnipodaci razlikuju na osnovu toga

ko je podatke prikupio. Ako je podatke prikupio istraživač, onda su oni primami,
a ako je podatke prikupio neko drugi, a istraživač ih samo koristi, onda su podaci
sekundami. Sekundami podaci mogu biti, i obično jesu, prikupljeni zbog sasvim
drukčijih ciljeva i namena. Dileme oko toga šta su sekundarni podaci bile bi
otklonjene ako bismo ih nazvali arhivskim podacim a, što oni jesu. Z atoje danas
sve češća praksa da se upravo tako nazivaju. Analiza sekundamih podataka se
smatra neinteraktivnom, tj. neoptruzivnom metodom (ipak, v. kasnije).
Analiza sekundarnih podataka se nekada tretira kao posebna vrsta istraživa-
nja. Ovde je već ukazano da se neke od navedenih, i to veoma značajnih metoda,
u literaturi nekada tretiraju kao tipovi istraživanja, a nekada kao metode priku-
pljanja podataka (npr. analiza sadržaja, studija shičaja i utemeljena teorija).
Kako razlikovati primame i sekundarne podatke? Uzmimo za primer shičaj
kada istraživač prikuplja zapisnike sa svih sastanaka neke ustanove u nekom
prošlom vremenskom periodu, sa ciljem da ih podvrgne analizi sadržaja. Jasno je
da su zapisnici arhivski podaci, jasno je da ih istraživač nije prikupljao, ali je iz
zapisnika, istraživač prikupio nove podatke - o kategorijama - koje su zapravo
predmet njegove analize. Zato spomenuti istraživač ima pravo da zapisnike sa
sastanaka tretira kao sekundarne podatke, a podatke o temama, pojmovima ili
tipovima dijaloga (koje je sam povadio) kao primarne.
Prilikom prikupljanja i analize sekundamih podataka istraživači izvode
vlastite generisane podatke, izvode i testiraju nove hipoteze, ili koriste drugačije
poglede na pojave na koje se podaci odnose. Osim toga, istraživači mogu da
kombinuju svoje stare podatke i podatke iz drugih izvora.
Kada se danas spominju sekundami podaci, onda se obično misli na podat-
ke iz arhiva, statističkih godišnjaka, sudskih izveštaja, izveštaja iz ministanstava,
zbirki političkih govora i saopštenja i svih sličnih izvora koji se često zovu
„statistikama” (a koje smo, u glavi o kvantitativnoj analizi, nazvali evidencionom
statistikom i naglasili da oni zapravo nisu statistika), a koji su često namenjeni za
kasnije sekundarne analize. Na ovakvim podacima se obično primenjuje meta-
statistika; prikazuju se trendovi, vrše se komparacije, ili se, čak, podaci analizira-
ju strukturahio - multivarijatno. Ako su podaci tekstualni, ili se radi o snimcima
radio i televizijskih emisija, onda se vrlo često umesto o analizi sekundardnih
podataka govori o analizi sadržaja.
Sekundarni podaci se najčešće koriste u evaluacionim istraživanjima, u
meta-analizama, komparativnim studijama i longitudinalnim studijama, ali nisu
ograničeni samo na njih.
U posebnom poglavlju je opisana meta-analiza kao „istraživanje na istraži-
vanjima” i naveden je primer meta-analize odnosa pola i inteligencije. U samom
m eta -a n a litič k o m istraživ an ju se n isu p rik u p lja li p o d a ci o p o lu i o in telig en ciji,
niti su se oni vad ili iz p re th o d n ih istraž iv an ja. A n a liz ira n e su sam o v e h čin e
efek ta, kao v rsta su m arn o g p o k a z a te lja , što p re d stav lja su štin sk ii razH ku izm eđu
m eta -a n a liz e i analize se k u n d a m ih p o d a ta k a .

Iz v o ri p r is tr a s n o s ti a r h iv s k ih p o d a ta k a . - Sve m eto d e i teh n ik e koje se

z asn iv a ju na a rh iv sk im p o d a cim a, k a o što su a n a h z a sa d rža ja i m eta -a n a liz a
m o raju im ati u vidu da arh iv sk i p o d a ci, sam i p o sebi ne o b e zb e d u ju o b jek tiv n o st.
Istra živ ač a m o že da prev ari n e o p tru z iv n o s t tak v ih n ieto d a i da p o m isli da ona
a u to m a tsk i o sig u ra v a o b jek tiv n o st. M e d u tim , p ra k sa je p o k a z a la da na arh iv sk e
p o d a tk e deluju neki sistc m a tsk i fa k to ri k o ji u g ro ž a v a ju n jih o v u valid n o st.
P r\'i tak a v fa k to r j e selektivno odlaganje (se lek tiv n i d e p o zit). M o g u p osto-
ja ti različiti kriteriju m i koji su u tic a h d a to d a H je n ešto o b jav ljen o ili je zab o rav -
Ijeno u fioei, da H je u o p šte sta v lje n o u z a p isn ik iH n ije , te da li je o d lo že n o u
a rh iv u iH je b ačen o . R ecim o , m an je od č etv rtin e sa m o u b ic a o sta v lja o p ro šta jn o
pism o. Istra živ an je koje se bavi anaH zom tih p o m k a n e će m oći u tv rd iti d a H su
o sta v lje n e p o ru k e rc p re z en tativ n e za sv a sa m o u b istv a . K a d a se radi o z ap isn icim a
sa sasta n ak a , u n e k im sh ič ajev im a p o sto je n e fo rm a ln a , a u n ek im fo rm aln a p ra v ila
da u č esn ic i ra sp rav a m ogu n a k n a d n o d a p re g le d a ju i k o rig u ju z ap isn ik e pre arhi-
v iran ja, što m o že da o m eta n jih o v u a u ten tičn o st,
D rugi fa k to r je selektm io preživljavanje (se lek tiv n o č uvanje). Iz p ra k se je
p o z n ato d a će do k u m en ti koji sa d rže n c g ativ n e, e k strern n e ih d isk re d itu ju će
in fo rraa cije o n ek o m p o jed in c u iH gru p i „im ati te n d e n c iju ” n e stajan ja . O b m u to , u
izv e sn im arh iv am a takvi do k u m en ti im aju v e ću v e ro v a tn o ć u p re živ ljav an ja, Isto
tak o , onaj ko fo rm ira i o d rž av a a rh iv u m o že da je n a k n a d n o u sk la d u je sa sv o jim
ciljev im a i nam enam a, npr, u c ilju sm a n je n ja v o h im en a, P o v e z an o sa tim e, vaHd-
no st a rh iv sk ih p o d a ta k a m o g u d a u m an je greSke iliprom ene upolitici iproceduri
čuvanja zapisa.
K o n a čn o , opšte j e p o z n ata p o ja v a reaktivnosti, o d n o sn o p rila g o d a v a n ja po-
n a ša n ja isp itan ik a situaciji i.spitivanja (k o je p rip a d a d ru g o m izv o ru in dividuahrih
razH ka). O so b e koje su in te rv ju isan e , poH tičari koji drže g o v o re, u re d n ic i n a tele-
viziji itd. ne m oraju da g o v o re ono što stv a m o m isle, n e g o ono što u toj situaciji
sm a tra ju opo rtu n im . la k o istraž iv ač , k a d a čita z ap isn ik c, im a utisak d a ne utiče n a
g o v o rn ik e, oni su se, u tren u tk u k a d a su g o v o rih , n a la z ih u optru ziv n o j situaciji.
 O. Merenje stavova

Pod merenjem stavova podrazumevaćemo merenje više različitih konstm-

kata koji su međusobno slični, pa se nekada i naizmenično koriste, ali im se u
socijalnoj psihologiji i sHčnim disciplinama ipak pridaju razhčita značenja (Rot,
1989, Kreč i Kračfild, 1973, Kreč, Kračfild i Balaki, 1972).
Aiken (2002) kaže da su stavovi naučene kognitivne, afektivne i bihejvio-
ralne dispozicije da se pozitivno ili negativno odgovori na izvesne objekte, situa-
cije, institucije, pojm ove ili osobe. Važno je uočiti da su stavovi naučeni, odnosno
stečeni, što znači da im se odriče nasledni karakter. Zatim, stavovi imaju poznate
tri kom.ponente; kognitivnu (uverenja, znanja, očekivanja i ubedenja o povezano-
sti između objekta stava i njegovih atributa), afektivnu (osećanja, raspoloženja,
motivi, emocije i povezane fiziološke promene prema objektu stava) i delatnu
(ponašauje i akcija prema objektu stava, oboje namemi i stvami). Ovaj trijas kom-
ponenti stava često nosi i alternativni naziv: kognitivna, afektivna i konativna.
Stavovi su uvek pozitivni ili negativni (ili neutralni), odnosno imaju valencu. Svi
stavovi imaju objekt stava, odnosno referentni objekt. Ono što u Aikenovoj
definiciji nije obuhvaćeno je i to da stavovi imaju intenzitet, odnosno mogu biti
slabiji ili jači (Fajgelj, Kuzmanović i Đukanović, 2004).
Vrednosti su stavovi prema idealima, običajima ili institucijama društva.
Primeri vrednosti su lepota, jednakost, sloboda, poštenje i rcd. Vrednosti se mogu
defmisati i kao važnost, korisnost ih vrlina koja se pridaje određenim aktivno-
stima ili objektima. Vrednosti se smatraju više osobinama ličnosti i više bazičnim
za ispoljavanje individualnih potreba i želja od stavova. Vrednosti mogu biti i cilj
i sredstvo, kako pojedinca, tako i grupa, što znači da su motivator ponašanja.
Vrednosti su obično povezane sa drugirn socijalnim i psihološkim varijablama,
što znači da su opšte prirode.
Mi.^ljenja ili mnjenja su slična stavovima, ali se za njih kaže da predstav-
Ijaju otvorene i svesne manifestacije stavova. Takođe, mnjenja se smatraju manje
centralnim za ličnost, a višc specifičnim, više promenjivim i više baziranim na
činjenicama nego što su stavovi.
Uverenja se mogu defmisati kao ubeđenje u tačnost ili postojanje nečega
što nije moguće odmah nedvosmisleno dokazati. Uverenja su manje čvrsta od
znanja, ali više čvrsta od stavova i mišljenja. Uverenja su slična mnjenjima po
tome što usvajaju neke propozicije kao činjenice, ali je činjenična osnova mnjenja
obično manja nego kod uverenja. Osoba je uvek svesna svojih mnjcnja, aliTie
mora biti svesna svojih stavova, vrednosti ili uverenja. Najpoznatija uverenja su
stereotipi.

Stavovi i ponašanje. - Povezanost stavova i ponašanjaje obilno istraživana

i generalni zaključak je da opšta mera stava nije dobar prediktor ponašanja. Pre-
d ik tiv n o st se p o b o ljš a v a ako se u m esto p o je d in a č n ih p ita n ja sta v o v i isp itu ju
p u te m m u ltiajtem sk ili skala. D ru g o p o b o ijšan je se m o že d obiti ako se stavovi i
p o n a ša n ja u je d n a č e p o ste p en u o p što sti - d a se sp e c ifič n a p o n a ša n ja k o re lira ju sa
sp e c ifič n im sta v o v im a , a o p šta sa opštim . T a dva p rin c ip a - a g re g a c ija (m ulti-
a jtem sk i k a ra k te r sk ala) i k o m p a tib iln o st (u jed n a če n o st sta v o v a i p o n a ša n ja po
o p što sti) - u je d n o p re d sta v lja ju i o sn o v n e p re p o ru k e istra ž iv a č im a k o ji na osnovu
sta v o v a ž ele d a p re d v iđ a ju p o n a ša n je .
R a z v ije n o j e više te o rija k o je o b ja šn ja v a ju k o re la ciju sta v o v a i p o n ašan ja.
O n e se n a jč e š ć e b a z ira ju na to m e d a p o n a ša n je v id e k a o re z u lta t d e lo v a n ja
k o m b in a c ije sta v o v a, u v e ren ja, o č e k iv a n ja o ish o d im a, p sih o lo šk ih m o d e ra to rs k ih
v a rijab li, so c ija ln ih norm i i o so b in a sta v o v a (npr. ja s n o s t i ja č in a ). T re b a im ati u
v id u d a j e p o k a z a n o i k a k o p ro m e n e u p o n a ša n ju ih p o n a v lja n je p o n a ša n ja
d o v o d e d o p ro m e n e u sta v o v im a - p o n a š a n je m o že d a iza ziv a sta v o v e , takođe
(R o sn o w i R o se n th a l, 2005). Z ato , ako i u tv rd im o d a p o sto ji k o re la c ija izm eđu
p o n a ša n ja i sta v o v a, o n a ne m o ra u k a ziv ati n a ono što sm o o č ek iv ali.

T ab e la 12. - N a jč e šć e m ere n i stavovi.

O b je k at stava
A b o rtu s R a đ a n je dece
B e sk u ć n ic i R e lig ija
B ise k su a ln o st S a m o u b istv o u z p o m o ć lek ara
D e c a sa p o se b n im p o tre b a m a S am o u b istv o
E u ta n a z ija S e k su a ln i p re stu p n ic i
G o ja zn e o so b e S e k su a h io u z n em ira v a n je
H e n d ik e p ira n e oso b e S ID A
H IV in fe k c ija S ilo v an je
H o m o se k su a ln o ro d ite ljstv o Sm rt
H rišć an stv o S m rtn a k a zn a
L ju b av S tare osobe
M a n jin sk e g ru p e S taren je
M a te m a tik a T e ra p ija e le k tro šo k o v im a
M e n taln o b o lesn i U m iru će o sobe
N auka U p o tre b a /z lo u p o tre b a a lk o h o la
NLO U p o tre b a /z io u p o tre b a d io g a
P ism e n o st Z atv o rsk e o sude
P o lig a m ija Z lo sta v lja n je sta rih
P orezi Z lo sta v lja n je b ra č n o g dru g a
P riro d n a o k o lin a Z lu p o tre b a su p sta n c i
P u šen je Ž e n sk a p ra v a
R ad
 Glava IV. Metode i tehnike merenja ❖ 397

1. Metode merenja stavova

M i ćem o o v d e im ati p rv e n stv e n o u v id u m eren je sta v o v a, ali treb a reći d a se

m ere n je sta v o v a i n a v e d e n ih , n jim a slič n ih p sih o so c ija ln ih k o n stru k a ta , o b a v lja
v e ćin o m n a slič a n način. A ik e n (2 0 0 2 ) u tabeU 12 n a v o d i sp isa k o b jek a ta p rem a
k o jim a su m ere n i sta v o v i u re p re z e n ta tiv n o m u zo rk u o b ja v lje n ih radova.

a. D irektne (otvorene) m etode

N a jd ire k tn iji n a č in m e re n ja sta v o v a p re m a o d re đ en im o b jek tim a j e posma-

tranje načina na koji se Ijudi ponašaju p re m a n jim a. O n o što Ijudi ra d e ili što
k a ž u u o d n o su n a p risu tn i o b je k t m o že se sm atrati re p re z e n ta tiv n im z a n jih o v stav
p re m a to m o b jek tu . P o sm a tra n je p o n a ša n ja se p o se b n o p rim e n ju je z a u tv rd iv a n je
d e la tn e, voljne ih konativne k o m p o n en te stava. P o sto ji n e k o h k o o z b iljn ih n e d o -
sta ta k a ove m eto d e . L ju d i č esto ig raju n ek e u loge ili n a sto je d a o b m an u o k o lin u
sv o jim p o n a ša n je m . O sim to g a, n a o sn o v u n e k o g p o je d in a č n o g a k ta ih p o n a ša n ja
ne m o že se tv rd iti d a p o sto ji stav. R e cim o , n ek o m ože, k a o slu č ajn i p ro lazn ik ,
z asta ti i slu ša ti šta se g o v o ri n a m itin g u p rista lic a leg a liz a c ije m arih u an e. A k o se
p o jed in a c n a la z i u m asi, n je g o v o p o n a ša n je m o že b iti u slo v lje n o tim e. Z b o g
sv e g a toga, o p a že n o p o n a ša n je ne m o ra u k a ziv ati n a stv a m i stav. O vaj n e d o statak
se m o že p re v a z ić i p o n o v lje n im p o sm a tra n jem , u v iše ra zlič itih sitiiacija, ali to
m eto d u čini sk u p o m i d u g o tra jn o m (F ajg elj, K u zm an o v ić i Đ u k a n o v ić, 2004).
V e rb aln o re a g o v a n je k o d Ijudi tak o đ e p re d sta v lja p o n a ša n je . Z ato p osm a-
tran je (slu ša n je ) sp o n ta n ih v e rb a ln ih isk a za m o že da p o slu ž i i za u tv rd iv an je
stav o v a: ,,O vo m i ide n a ž iv c e ” , „B o že, k a k v a g lu p o st” , „ P re d iv n o j e ” itd.
S tu d e n t se o d m ah m o ž e u p ita ti zašto m o ram o ček a ti n a sp o n ta n e v e rb aln e
isk aze - z ašto o d m a h ne p ita m o o so b u o to m e šta m isli. U p ra v o n a to m e - na
o tv o ren im p ita n jim a - z a sn iv a ju se m n o g o p o z n atije d irek tn e m eto d e: intervju i
upitnik. O ni se n e k a d a n a z iv a ju e k sp lic itn im m era m a sta v o v a i z a sn iv a ju se na
p re tp o sta v c i d a su isp ita n ici: a) sv e sn i sv o jih sta v o v a i b ) d a žele da ih ja v n o
iznesu. T reći u slo v j e da p ita n ja k o ja se p o sta v lja ju u in te rv ju u ili u p itn ik u ne
u tič u n a sta v o v e k o je m ere, d a ne d o v o d e d o n jih o v e p ro m en e , tj. d a se ne upliću
u n jih (engl. u n o b tru siv e).

b. Indirektne (skrivene) m etode

M e d u tim , n ije d a n o d tih u slo v a n e m o ra b iti z ad o v o ljen . L ju d i ne m oraju

b iti svesni sv o jih sta v o v a, n iti će u v e k b iti sprem ni da ih o b e lo d a n e, a v eo m a
č esto Ijudi ž e le d a sv o jim o d g o v o rim a stv o re n ek u slik u o seb i (n ajčešće pozi-
tiv n u , p o ž e ljn u , p a se ta p o ja v a n a z iv a socijalnom poželjnošću). Z ato neki
istraž iv ač i p rib e g a v a ju sk riv e n o m (m ask ira n o m ) m ere n ju stavova.
 Psihofiziološke tehnike. - P o slo ji m o g u ć n o sl i da se p o sm a tra „ g o v o r te la ”
i izraz liea. S m ešak , gad ijiv izraz, k o lu ta n je očim a, lo m ljen je p rstiju , n a m rg o đ e -
nost, o d m a h iv a n je ru k a m a itd. m o g u da u k a žu n a p o sto ja n je i v a le n e u stava.
N a rav n o , „ čitan je g o v o ra tela ” j e sk o p č a n o sa jo š m a n jo m p o u z d a n o š ć u nego
p o sm a tra n je p o n a ša n ja .
S ta v o v i, k ro z sv o ju afek tiv n u k o m p o n e n lu , im aju i fizio lo šk e k o re la te . Z ato
se oni m o g u d irek tn o m eriti i p re k o p sih o g a lv a n sk o g re fle k sa CPGR), širin e z e n ic a
(p u p ilo m e trija), k o lič in e e p in e frin a , k rv n o g p ritisk a , b ro ja o tk u e a ja sre a i sH čnih
p o k a za te lja . N a ž a lo st, p o k azalo se da na ovaj n a čin n ije m o g u će u tv rd iti v a le n e u
stava, k a o što se ne m ože u tvrdili ni da li j e u p ita n ju p o z itiv n a ili n e g a tiv n a
em ocija. N e treb a p o se b n o u k aziv ati d a bi o v a k v a m eto d a b ila v e o m a sk u p a k ad a
bi isp itiv a n je o b u h v a ta lo iole veći broj Ijudi, i sig u m o bi u tic a la n a stav o v e.
Projektivne tehnike. - P ro je k tiv n e teh n ik e su o p isan e u p o g la v lju o p sih o -
lo šk im testo v im a. S ve one se m o g u k o ristiti i u sk riv e n o m isp itiv a n ju stav o v a.
P og o d n i su testo v i a so c ijac ija (reč i), n e d o v rše n ih re če n ic a , p rič e u slik am a,
L iisch ero v te st boja itd. L spitanicim a se m o že dali da n a p išu k ra tk u sto riju o
n ek im sh k a m a. P o što stavovi im aju k o g n itiv n u k o m p o n en tu , k a o sk riv e n a m era
sta v a m o g u se k o ristiti i testovi znanja o o b jek tu stava. T reb a reći d a n a la zi nisu
p o tv rd ih p re d n o sti p ro jek tiv n ih telin ik a nad d ire k tn im sk a lam a stav o v a.
P s ih o fiz io lo šk e i p ro jek tiv n e m o g u im ati n a m e n u da p ro v o c ira ju isp o lja v a -
n je stav a k o g a je isp ita n ik svestan, ah ne ž e h da g a o b e lo d a n i. M e d u tim , jo š teži
z ad a ta k j e da se p ro v o c ira isp o lja v a n je n e sv e sn o g ili implicitnog stava. Z a to se
m o g u k o ristiti teh n ik e koje liče na „ d e te k to r la ž i” i koje se n a z iv a ju tehnike
okidača (engl. p rim in g tech n iq u e). Isp itan ik u se p rv o p re z e n tira reč o k id a č (re-
eim o „ p a c o v ”) i o d m ah iza toga je d a n p o z itiv a n i je d a n n e g a tiv a n p rid e v (rec im o ,
„ le p o ” i ,,g a d n o ”). Isp itan iei će re a g o v a ti (reeim o p ritisk o m n a d u g m e) m n o g o
brže ako se, p o n jih o v o m stavu, o k id ač i p rid e v slažu , n e g o ako se ne slažu .
SH čna teh n ik a , „ te st im p licitn ih a so c ija c ija ” , b a z ira n a na b rz in i re ak c ije , sasto ji se
u p rik a z iv a n ju p rv o para o b jek ata (npr. A lb a n a c - G rk) i od m ah zalim p a ra
p rid e v a (npr. p rija tn a reč - n e p rija tn a reč). N e k ad a je isp ita n ik u p o n u d e n o da
p o v e že je d a n o b je k t sa je d n im a trib u to m , a n e k a d a sa su p ro tn im . A k o se ispi-
taniku slaže o b jek a t i atribut, n jeg o v o d g o v o r će b iti brži n eg o ako se n e slažu .
P o sto jc m n o g o b ro jn e d o v itljiv e i d u h o v ite tch n ik e za in d ire k tn o isp itiv a n je
slav o v a. N a p rim c r, u tehnici „ p o g re šn o g b ro ja ” istraž iv ač ev sa ra d n ik zove Ijude
tele fo n o m m o leći ih za neku uslugu. U z av isn o sti od (sk riv e n ih ) in fo rm a cija koje
daje o sebi (g laso m , rečn ik o m , d ik cijo m ...), od toga šta traži i, n a rav n o , od to g a
da h isp ita n ici p rista ju da m u izad u u su sret, z ak lju č u je se o n jih o v im so c ija h iim
sta v o v im a i p re d ra su d a m a. D ru g a te h n ik a , „ iz g u b lje n a p ism a ” , sa sto ji se u
o sta v lja n ju k o v e rtiran ih , a d resira n ih i m ark iran ih p isa m a n a u h c i, pri čem u su
p ism a p riv id n o n a slo v lje n a n a n e k u o rg a n iz a c iju ili o so b u (rec im o p o litič k u
stra n k u ili lid e ra), ali je stvarna a d resa istraž iv ač ev a . S a ra d n ic i istra ž iv a č a m o g u
p o sm a tra ti šta rade Ijudi koji nadu k o v e rtu , a m o že se i p re b ro ja ti broj p isa m a
k o ja su u b a če n a u p o šta n sk o sa n d u č e (jio slata), u z av isn o sti o d to g a n a k o g a su
a d re sira n a (A ik e n , 2002, F ajg elj, K u z m an o v ić i Đ u k a n o v ić, 2004).
 2. Skale stavova

Z a m crenje sta v o v a se, ip ak , n a jč ešće prim enjiiju direk tn e teh n ik e b aziran e

na upitniku. P o se b n a v rsta ta k v ih d irek tn ih tch n ik a su skale stavova k o je sc
sastoje od n iza p o z itiv n ih ili n e g a tiv n ih tv rd n ji o o bjektu stava. U sk la d u sa
p sih o m etrijsk o m trad icijo m , izra ze stavka, ajtcm , iskaz i tv rd n ja k o ristićem o
ravnopravno. U k u p n a m era n a sk ali, k o ja p rc d stav lja m eru stava, fo rm ira se kao
kom p o zit iz o d g o v o ra n a p o je d in a č n e tvrdnje. T o znači d a se skalom meri valen-
ca i intemitel stava, odnosno njegova afektivna komponenta.
N ačin k o n stru k c ije skale, fo rm at stavki, o ccn jiv an je stavki i način form ira-
n ja uktipnog sk o ra d cfin išu sk ah i kao takvu, U glavi o teoriji m eren ja o b jašn je n o
je da skaU ranje o z n a č a v a k o m p le tn ii m cto d o lo g iju d o d e ljiv an ja n u m era la o bjek-
tim a, Z ato su k lasič n e i sa v rem e n e sk a le stav o v a, po pravilu, isto v rcm en o i teo rije
i m eto d e m erc n ja stavova. O n c o b u h v a ta ju dcfm iciju k v a n titativ n o g sv o jstv a
(stava), opšti p ristu p m ere n ju , m eto d e m cre n ja i načine izra ču n a v a n ja m era. Po
svojoj osnovnoj stru k tu ri, sk ale sta v o v a su v rlo sh č n e sk a lam a p rocene.
P ostoji n e k o lik o m o g u ćn o sti za tak so n o m iju sk ala stav o v a. U m ern o -
te o rijsk o m p o g lcd u one se m o g u p o d e liti p o dve dim enzije. P rva d im en zija
p o d e le je n a determinisličke i prohahilističke m o d cle. K o d p ro b a b ilistič k ih
m o d ela v e ro v atn o ća o d g o v o ra n a sta v k u v a rira u z av isn o sti od in te n z iteta stava,
dok d e te rm in ističk i m o d eli p re tp o sta v lja ju da će se isp itan ici uvck složiti sa
stav k am a koje izra ža v a ju stav sliča n n jih o v o m , a nik ad sa sta v k am a koje izraža-
v a ju d ru g a čiji stav. D ru g a d im e n z ija p o d c lc jc na monotone i nemonotone
m odele. K od m o n o to n ih m o d ela v e ro v atn o ća o d g o v o ra n a stav k u m o n o to n o se
m cn ja sa p ro m cn o m in te n z itcta stava, d o k k o d n e m o n o to n ih m o d ela v c ro v atn o ća
od g o v o ra je n a jv e ć a k a d a jc in te n z ite t tv rd n je je d n a k in te n z itetu stav a, a m an ja je
k a d a se in te n z itcti razlik u ju .
D ruga p o d e la j e o n a po kojoj se razH kuju kumulativne skale, skaleprividno
jednakih intervala i sumacione skale.
K o n ačn o , n a jp o z n a tija p o d e ia je o n a koja se vrši na o sn o v u im ena a u to ra ih
n a m c n e skale: B o g a rd u so v a si<ala socijalne distance, G u ttm an o v a kumulativna
skala ili skalogramska analiza, Thurstoneova skala i Likertova skala (S pector,
1992, H a v elk a i sar., 1998, A ik en , 200 2 , F ajg elj, K u zm an o v ić i Đ u k a n o v ić, 2004,
F ajg clj, 2005 itd.).

a. Skala socijalne distance

E m o ry S. B o g a rd u s (1 9 2 5 , 1928) je p rc d lo ž io n ačin i izvršio p rv a m erc n ja

so c ija ln e d istan ce. P o ja m so c ija ln e d istan c e jc d efin isan jo š p o č etk o m X X v e k a
kao „ stcp en i m era ra zu m ev a n ja i in tim n o sti koji k a rak tcrišu p rc so cijaln c i soci-
ja ln e o d n o se u o p šte ” (P ark, 1902, G u d i Flet, 1966). N a m en a skale jc da o dredi
najmanju distancu prcma nekoj osobi, ili nacionalnoj, rasnoj ili profesionalnoj
grupi koju ispitanik prihvata - oseća se prijatno - ocenjuje pozitivno.
Dogardus je definisao kontinuum socijalne distance prema pripadnicima
etničkih grupa na sledcći način:
1) pristao bih da posete moju zemlju
2) pristao bih da žive u mojoj zemlji
3) pristao bih da radim sa njima
4) pristao bih da budu moje komšije
5) pristao bih da budu u mom klubu
6) pristao bih na brak sa njima.

Iz primera se može videti da je Bogardusova skala zamišljena kao mono-

lono deterministička. Očekuje se da će ispitanici sa stepenom distance na nivou 3
uvek zaokružiti 1, 2 i 3, a nikada neće zaokružiti 4, 5 i 6. Takode, skala spada u
kumulativne skale, upravo zbog svojstva monotonosti: ispitanici zaokružuju sve
niže stavke, a ne zaokružuju više stavke.
Od Bogardusa do danas skala socijalne ili etničke distance je primenjivana
u raznim varijantama (Rot i Havclka, 1973). Umesto originalne „geografske” re-
prezentacije distance primcnjuju sc i socijahio psihološke, kao što su: prihvatio
bih da budc predsednik moje zemlje, prihvatio bih da mi bude šef, prihvatio bih
da bude učitelj mojoj deci, prihvatio bih da se orodimo, itd. U najjednostavnijem
obliku ispitanik mora samo da zaokruži da li pristaje na određeni nivo prihvata-
nja, a u složenijim skalama treba da zaokruži i stepen prihvatanja, npr. od Ido 5.

b. Guttmanova skala

Guttmanovo skaliranje se u literaturi može sresti i pod nazivima.fA'fl/ogroHj-

ska analiza ili kumulativno skaliranje. Opšti cilj Guttmanove skale je da se
konstruiše niz stavki koje predstavljajujcdan jednodimenzionahii kontinuum, i to
tako da iz odgovora na svaku stavku možemo predvideti odgovore na ostale
stavke. Još preciznije, pozitivan odgovor na jednoj stavci podrazumeva da su dati
pozitivni odgovori na svc lakše stavke i negativni odgovori na sve teže stavke.
Često se navodi jedan običan primer:
a) Jeste II viši od 1,90m da ne
b) Jeste II viši od 1,80m da ne
c) Jeste li viši od 1,70m da ne
d) Jeste 11viši od 1,60m da ne

Ove stavke će predstavljati idcalnu Guttmanovu skalu. Idealnu Guttmanovu

skalu je, medutim, vrlo teško postići u merenju psihičkih svojstava kao što su
stavovi ili znanje. Kad se radi o merenju stavova, za ilustraciju Guttmanove skale
mogao bi se iskoristiti primer iz istraživanja Kuzmanovića (2001) iako je skala
bila namenjena istraživanju etničke distance:
 1. da stalno živi u mojoj državi,
2. da stanuje u mom susedstvu (u i istoj zgradi ili ulici),
3. da mi bude saradnik na poslu,
4. da mi bude pretpostavljeni na poslu,
5. da bude vaspitač mojoj deci,
6. da se s njim družim i posećujem,
7. da ima rukovodeći položaj u mojoj državi,
8. da budemo u daljem srodstvu putem braka sa rođacima, i
9. da budemo u bliskom srodstvu putem vlastitog braka ili braka dece.

Ovaj skup stavki potcncijalno čini Guttmanovu skalu - od najvećeg do naj-

manjeg prihvatanja osobe druge nacionalnosti. Ako se ispitanici koji se slože sa
jednom od stavki, u većini slažu slažu i sa svim stavkama koje su ispod nje, a ne
slažu sa stavkama koje su iznad nje, onda će stavka biti zađovoljavajuće kumula-
tivna (ali ne idealno).
U domenu znanja se obično navode primeri sa zadacima iz matemalike, kao
npr.:
a) Reši jednaćinu: + 2x + 9 = 16 d) Koliko je: 98 -1 3
b ) K o lik o je : l| + 3-|- e) Koliko je: 16 + 4

c) K olikoje: 1 4 *5 -1 2

Razumna je pretpostavka da su ovi zadaci poređani od najtežeg do naj-

lakšeg i da će učenik koji tačno odgovori na teži zadatak tačno odgovoriti na sve
lakše, a pogrešno na sve teže zadatke. Očigledno je da stavke Guttmanove skale
moraju biti dihotomne.
Sledeći korak u konstrukciji Guttmanove skale je fomiiranje specifične ma-
trice podataka - skalograma (Guttman, 1947). Ta matrica ili tabela je tipa „ispita-

1 abela 13.- G uttm anov skalogram sa grcškam a

A jtcm A jtem Ajtem Ajtcm
Ispitanik a________ b________ c________ d
11 X X X X
6 X X X X
15 X X X
21 X X X
14 X X X
19 X X
1 X X
9 X
18 X X

Sa ,,X” jc označen tačan odgovor.

n ici ^ a jte m i” i m o ra da im a tro u g la st ili kumulativan oblik . M a tric a se fo n n ira
tak o d a se za sv a k o g isp ita n ik a i z a sv a k i a jte m un ese d a li j e o d g o v o r ,,d a ” , ili
„ ta čn o ” , p a se z a tim red o v i m atrice (isp ita n ici) so rtiraju tak o d a n a v rh d o d u oni
k o ji im aju sv e d a /ta čn o , a n a dno oni k o ji n e m a ju ni je d a n d a/tačn o . Položaj ispi-
tanika u Giittmanovoj matrici definiše njegovu m eruprisustva merene osobine.
Z a p rim e r sa testo m z n an ja iz m ate m a tik e , sk a lo g ram bi m o g a o izg le d ati
kao u tab e li 13. G re šk e u m atrici 13 se n a la z e k o d isp itan ik a 15 i a jte m a b, c i d, i
isp ita n ik a 18, k o d a jte m a b i c. T e g re šk e se n a ziv aju G u ttm a n o v im g re šk a m a , a
sa sto je se iz in te rn ih p ra zn in a i e k s te m ih X -o v a. C e lo k u p a n p o stu p a k k o n stru k -
cije G u ttm a n o v e sk ale i p o se b n o a n a liz e G u ttm a n o v e tab e ie n a z iv a se skalo-
gramskom analizom.
N a o sn o v u G u ttm a n o v o g sk a lo g ra m a o d b a cu ju se oni a jtem i k o d k o jih po-
stoje G u ttm a n o v e greške. N a ž a lo st, u p ra k si bi to z n ač ilo d a se m o ra ju o d b a c iti
svi ajtem i. Z a to su razv ijen i razni p o k a z a te lji stepena do k o g a m a tric a z ad o v o lja -
v a G u ttm a n o v u skalu. T i p o k a z a te lji su koeficijent skalabilnosti, koeficijent re-
producibilnosti, S to u ffe ro v a H te h n ik a i %^-test G u ttm a n o v e m atrice (G a rso n ,
2000). K o e fic ije n t skalab ih ro sti se m o ž e n a p isati n a sled eći način:

Q = l - | , [24]

pri č em u je E broj d o b ije n ih G u ttm a n o v ih g re šak a , a X b r o j o č e k iv a n ih G u ttm a -

n o v ih g re šak a , n a slalih slučajno. B roj d o b ije n ih G u ttm a n o v ih g re šak a č in i broj
u n u lrašn jih p ra z n in a i v a n jsk ih X -o v a . B roj o č ek iv an ih slu čajn ih g re ša k a se m o že
dob iti kao p{n - J’J , gde je p v e ro v a tn o ć a d a se slu č ajn o o d g o v o ri p o z itiv n o
(pošlo su G u ltm a n o v i ajtem i d ih o to m n i /?= 0,5), n je u k u p a n broj o d g o v o ra (X -
ova) u m atrici, a 7'„ j e broj o d g o v o ra u n a jb ro jn ijo j k a te g o riji b ilo k o g ajte m a . r,,
u k a zu je n a to koH ko se m o že o č e k iv a ti slu č ajn ih g rešak a je r, a k o p o sto ji 15
isp ita n ik a i n jih 13 su n a isti n a č in o d g o v o rili n a neki ajtem , o n d a n e m o ž e b iti
v iše od (15 “ 13)=2 g rešk e za taj ajtem .
K o e fic ije n t re p ro d u c ib ih io sti j e m n o g o p o z n atiji i m o že se izra ču n a ti na
sled eći način:

C,, = l - ~ . [25]
N
E ']e broj g re šak a , d e fm isa n k a o g o re, a jV je u k u p a n broj o d g o v o ra u m atrici
(broj isp ita n ik a x broj ajtem a). K o e fic ije n t re p ro d u c ib iln o sti (ili re p ro d u k tib iln o -
sli) m o ra b iti n a jm a n je 0,90 d a b i se sk a la m o g la n a zv a ti G u ttm an o v o m .
G u ttm a n o v a sk a la sp ad a u determinističke modele za sk a lira n je osoba. N je n
d e te rm in iz a m se o g led a u tom e što se o č ek u je d a su k a rak terističn e k iiv e a jte m a
ste p en a ste; sv i isp itan ici ko ji su v iso k i 1,6 m e ta ra ili m anje n ik a d a n e će z a o k ra ž iti
ajtem e a, b i c, a u v e k će z ao k ru ž iti a jte m d. T o isto v rem e n o zn ači da j e G u ttm a -
n o v a sk a la monotoni model, z ato što nijedan n iži isp ita n ik ne z a o k ru ž u je dati
ajtem , a zao k i užuju ga.v v /v iši isp ita n ici. O v a s itu a c ija p rik a z a n a je n a slici 7, a za
o sn o v u j e u z et skup ajtem a koji m ere te le sn u v isin u sa p o č e tk a o v o g p o g lav lja.
N a a p sc isi bi ii to m p rim e ru o so b in a b ila tele sn a v isin a, a „ ste p e n ic e ” a jte m a bi
b ile n a 160, 170, 180 i 190 cm .
T ešk o je k o n tru is a ti tv rd n je za m eren je stav o v a k oje z a d o v o ljav a ju k u m u la -
tiv n i m odel. Z b o g to g a se G u ttm a n o v a sk ala danas v e o m a m alo k o risti u prak si.
M eđ u tim , sk a lo g ra m i sk a lo g ra m sk a a n aliza n ašli su p rim e n u u T A O m odelim a.
U T A O m o d elim a, n a ro č ito u R a se h o v o m m odelu, G u ttm a n o v e g rešk e slu že za
a n alizu m isfita. In te m e p ra z n in e i e ksterni X -o v i u k a zu ju n a n e o če k iv a n e o d go-
v o re (v. p o g lav lje o testira n ju ). O v a v e z a sa T A O m o d elim a b iće m n o g o ja s n ija
u k o lik o ste p en a ste k riv e sa slik e 7 zam islim o kao og iv e (k a k v e one i in ače u
p ra k si izg led aju ). U to m slu č a ju se vidi d a je G u ttm an o v m o d el, k a d a se u k lo n i
d e te rm in iza m , p re te č a te o rije a jte m sk o g odgovora.

S lik a 7. D e te rm in istič k i m o n o to n i m odel G u ltm a n o v e

skale

c. Thurstoneova skala

O vu sk a lu je T h u rsto n e p re d sta v io 1928. (1928, T h u rsto n e i C have, 1929)

kao p rim e n u p s ih o fiz ič k e m e to d e p h v id n o je d n a k ih in te rv a la (ili n a iz g le d
je d n a k ih in terv ala; engl. equal a p ea rin g in terv als) n a m ere n je stav o v a. U dotičnoj
p sih o fizič k o j m eto d i isp ita n ik p ro c e n ju je n iz draži sa z a d a lk o m d a ih ra zv rsta u
neki p re d efin isan i broj g ru p a -in te rv a la koji su ra n g ira n i d u ž k o n tin u u m a su b je k -
tiv n o g d o ž iv ljaja draži, « d n a jn iž e g do najvišeg. M ed u tim , ista m eto d a, m eto d a
p riv id n o je d n a k ih intei-vala, m o že p o slu ž iti z a sk a lira n je stim u lu sa i to tak o da,
ako se p o štu ju izv e sn a p ra v ila (N u n n a lly i B e m ste in , 1994, S e o tt i W ei1heim er,
1962, G ud i H et, 1966), re z u lta t b u d e n a in terva ln o j ska li, za ra zlik u od B o g a rd u -
sove skale k o ja daje p o d a tk e n a o rd in a h m m nivou.
T h u rs to n e je in ic ija ln o p o stu p a k m ere n ja stav o v a z am islio tak o da se p rim e -
ni m eto d a p o re đ e n ja po p a ro v im a , z atim da se u tv rd e je d v a p rim e tn e razlik e
(engl. ju s t n o tic e a b le d iffe re n e e ) i da se n ak o n to g a p rim e n i T h u rsto n eo v zak o n
komparativnog suđenja (Roberts i sar. 1999, Aiken, 2002). Celokupan postupak
se danas naziva Thurstoneovim skaliranjem. Zbog inicijalne primene metode
jedva primetnih razlika, Thurstoneova skala se nekad naziva diferencijalnom.
Medutim, pošto se u konstnikciji skala stavova obično polazi od veiikog broja
iskaza, broj poredenja po parovima bio bi ogroman [m (m -l)/2 ]. Zato je Thur-
stone iskoristio metodu prividno jednakih intervala.^*
U metodi adaptiranoj za merenje stavova, draži su iskazi (tvrdnje) o nekom
objektu. Fizički kontinuum intenziteta draži jc ovde zamenjen „kontinuuom
stava”, koji se bazira na pretpostavci da postoji jcdan linearan i homogen konti-
nuum stava koji se kreće od krajnje negativnog do krajnje pozitivnog.
U prvom koraku se mora prikupiti veći broj tvrdnji o nekom objektu. Izvor
tvrdnji nije važan, to mogu biti eksperti, zaintcresovane osobe, hteratura, mediji
itd. Podsetimo da izraze stavka, ajtem, iskaz i tvrdnja koristimo ravnopravno.
,,Duh” Thurstoneovih skala sugeriše da stavke moraju biti u obliku tvrdnji nakoje
se mora odgovoriti sa „slažem se”, odnosno ,,ne siažem se”. Međutim, model ne
sprečava da rečenice budu formulisane kao pitanja na koja se odgovara sa ,,da” ili
,,ne”. Jedino se ne preporučuje da budu pomešane tvrdnje i pitanja.
U uvodu poglavlja o merenju stavova ukazano je da se predvidanje ponaša-
nja na osnovu stavova poboljšava ukoliko se stavovi mere višeajtemskim skala-
ma. To nije jedini razlog zašto je dobro da skale stavova budu višeajtemske.
Recimo, ako deci ponudimo tvrdnju „Mrzim školu”, da se s njom slože ili ne
slože, odgovori neće predstavljati pouzdanu i validnu meru stava prema škoh.
Mnogo bolji rezuhati će se postići ako sastavimo niz tvrdnji: ,,U školi zahtevaju
previše bubanja”, ,,U školi se ceni samo poslušnost”, ,,Sve što znamnaučio samu
školi”, „Rado idem u školu zbog društva” itd. Tvrdnje koje se koriste u
Thurstoneovoj (i Likertovoj, v. kasnije) skali imaju jedan opšti format:
{XrV} .
X je objekat stava, Fneka vrednost, evaluacija ili atribut, a r je pozitivna ih
negativna relacija objekta i vrednosti. V mora biti odabrano tako da razapinje
jedan afektivni kontinuumna kome se objekt stava može pozicionirati. Na primer,
u tvrdnji „Smrtna kazna nikada nijc bila efikasna u sprečavanju kriminala” tvrdi
se da smrtna kazna kao objekt stava {X} stoji u negativnoj vezi {;•} sa efikasnošću
{F} pa se tako izražava negativan odnos prema smtmoj kazni. S dnige strane, u
tvrdnji „Smrtna kazna daje kriminalcima ono što su zaslužili”, objekt stava [X) se
pozitivno povezuje {r} sa opravdanošću {K} čime se iskazuje pozitivan stav
prema smrtnoj kazni.

Z akon kom parativiiogsiiđenja (engl. law o f com parative jiidgm ent), je po Thursto-
ncovoj vlastitoj izjavi (citirano prem a N unnally i B em slein, 1994), dclo na koje jc najviše
ponosaii. Svoju punu im plem entaciju zakon k o m parativnog suđenja postižc upravo kro2
m etodu porcdenja po parovm ia, što bi u slučaju skale stavova od stotinjak stavki bio prak-
tičn o ncsavladiv posao.
 Jasn o j e da je Thurstoneova skala stavova tismerena na merenje afektivne
komponente stava.
S le d eć e što treb a u rad iti sa sv im p rik u p lje n im is io z im a je d a se, je d n a k o
kao u p sih o fizic i, za svaku d ra ž - is k a z utvrdi njen a sk a ln a v rc d n o st, o d n o sn o
položaj na k o n tin u u m u stava. Z a to se isk azi daju grupi su d ija na p ro c en jiv a n je;
T liurstone je k o ristio n jih 300. S u d ije d o b ija ju instrukciju da ra zv rsta ju sve iskazc
u 11 k a te g o rija . O n e isk a ze koji iz ra ž a v a ju n a jp o z itiv n iji stav treb a da stav c u 11.
kategoriju, isk aze koji su n e u tra h ii u šestu , a iskazc koji sadrže n a jn c g ativ n ije
m išljenje u p rv u k a te g o riju . O sta le isk aze treba da razv rstaju u ostale k a te g o rije
prem a step cn u p o z itiv n o sti, o d n o sn o n cg ativ n o sti.
T h u rsto n e jc n a k o n toga iz ra č u n a o m cd ijan u k a te g o rija u k oju su sudijc
razv rstav alc isk az (te ž in u sta v k e), k a o i in te rk v artiin o ra sto ja n je (d isk rim in a tiv -
nost). K o n a ča n iz b o r isk a za j e izv ršio tak o što je iz svake k a te g o rije o d ab rao
iskaze koji z a d o v o lja v a ju d v a k i'iterijum a: a) da budu n a jv iše d isk rim in a tiv n i, i b)
da biide p o k riv en ceo ra sp o n skale.
O d ab ran i iskazi p o sta ju sta v k e T h u rsto n co v e sk ale stav o v a. Isp itan ici
o d govaraju tak o što z a o k ru ž u ju sta v k e sa kojim a se slažu (po p rin cip u k o n tro ln e
hste). ih z ao k ru ž u ju o d g o v o r ,,d a ” ih ,,ne” , ih „shjženi sc ” i ,,ne siažem se ” . D a-
kle, stavke u T h u rsto n e o v im sk a lam a su dih o to m n o g form ata.

S lik a 8. P ro b a b ilistič k i, n c m o n o to n i m odel tri stav k c po

T h u rsto n eu

M odel T e rsto n o v ih sk ala d e fm iše se kao probabilistički nemonotoni m odel

sk a h ran ja o so b a (N u n n a lly i B e ra s te in , 1994, R o b e rts i sar. 1999). P ro b a listič k im
sc n aziv a zato što. z a ra zlik u od G u ttm a n o v ih i drugih sličn ih sk ala ne p re tp o sta v -
Ija ste p cn a stc u in k cije, koje oStro ra z lik u ju o sobe sa n ižim sv o jstv o m od o so b a sa
višim svojstvom . S lik a 8 p rik a z u je n e m o n o to n i m odel o d g o v o ra koji se p re tp o -
stavlja u T h u rsto n e o v im sk a lam a. U m e re n o negativni iskaz biraju najv iše Ijudi
um ereno n e g a tiv n o g sta v a, a u m cre n o p o z itiv n i iskaz biraju n a jv iše Ijudi sa um e-
rcno p o z itiv n im stavom .

P r o b lc n i n e u tr a ln i h t v r d n ji . - V c ro v a tn o n ajteži p ro b lem u ov im sk alam a

je k o n stru k c ija n e u tra ln ih ajte m a . U o rig in a ln o j T h u rsto n eo v o j skali sta v o v a
prcm a crkvi, kao p rim e r n e u tra ln o g a jte m a navodi se: „K ad idcm u crkvu, uživam
u lcpom ritualu službe i dobroj m u z ic i” . M c đ u tim , to j e do b ro p o z n a t slučaj
kom binovanog ajtem a, u kom e p o sto je dva iskaza: „ P o n e k ad idcm u c rk v u ” i
„V erovatno ne bih išao u crkvu da n ije m u zik e i lep o g ritu a la ” . P o što različiti
ispitanici različito odgovoraju na ova dva im plicitna iskaza, ajtem je u celini neu-
tralan. N unnaliy i B crn stein iro n ič n o sm atraju da bi n c isk u sn o m p sih o io g u kao
ideaini neutralni a jte m m o g a o p rom aći ajtem ; „ C rk v a je divna, grozna in stitu c ija ” .
Ncki sm atraju da je jo š g ora situ ac ija sa stavk om : „ P o k ro v ite ljsk i i p ro sto -
dušni stav crkve m eni je sasv im n c u la isa n ” , gde isp ita n ik m o ra da se sioži sa tri
iskaza: pokroviteljski, p ro sto d u ša n i n eukusan. O v a stav k a j e kod T liu rsto n ca
dobiia um ereno n egativnu skahru v re d n o st, iako jc izraz „ n e u k u sa n ” (engl. dista-
stoful) prilično „snažan” i m oglo bi se očckivati da ncko ko crkvu sm atra neu k u -
snom ima vrlo negativan stav. D o „ u b la ž a v a n ja ” stav a k o d tak v ih ajtem a d o iaz i
zbog konfuzije koju ispitanici oscćaju oko to g a sa čim c se složiti; n ek o m o žd a
m isii da crkva im a p ro sto d u šan stav, ali d a on n ije p o k ro v itc ljsk i, p a m u zato to
nije neukusno (ali kada bi bio i p ro sto d u ša n i p o k ro v ite ljsk i, onda bi m u b ilo
neukusno).
V ećina p sihologa bi se slo žila da jc ajtcm „I v eru jem i ne veru jem c rk v i”
prim er neutralnog ajtem a, što bi z n ač ilo da se n e u tra ln o st p o stiže ,,sp a jan jem
su jiro tn o sti” . P ro b le m k o n s tru is a n ja n e u tra ln ih sta v k i b a c a sc n k u su m n je
gcneralno na k on cept stava kao k o n tin u a ln o g k v a n tita tiv n o g svojstva.

N ik a d a iie Iv rd iti više s tv a ri. - V alja p o se b n o istaći da u fo rm ulaciji stavki

treba izhegava/i. da se Ivrde d ve ili viSe stvari.
U kupni skor T h u rsto n eo v ih sk ala sta v o v a se m o ra z asnivati na sk a ln im
vrednostim a stavki (dobijenih od p ro e e n jiv a č a p rilik o m k o n stru k e ije skale - a
kreću se u rasponu od 1 do 11, ako se k oristi o rig in a in i T h u rsto n eo v broj ka te -
gorija) koje je ispitanik z aokružio, ili rck ao da se s njim a slažc. O bično se uku p n i
skor predstavlja kao aritm etičk a sre d in a o d g o v o ra , e v en tu aln o nied ijan a, a p o sto jc
i prim eri da se kao skor su b je k ta u zm e sk aln a v re d n o st n a jv iše g ajtem a k o g a je
zaokružio. Po ideji skale, isp ita n ik m o že da sc složi sam o sa je d n o m stav k o m , ili
najviše sa jo š nckoliko okolnih.
G lavni ncdostaci T h u rsto n co v c skale sta v o v a su: a) treb a k o n stru isati velik i
broj inicijalnih iskaza i b) treb a im ati d o v o ljn o velik i skup sudija, m erito ran i
kvalifikovan da sudi o d a tim sta v k am a i o o b jek tu stava.

d. L ik e r to v a s k a la

R cnsis L ikert je 1932. (L ik ert, 1932) o b jav io m eto d u za m eren je sta v o v a

čiji koreni su bili u T h u rsto n eo v o j sk ali, a koja je im ala za cilj da otkloni spom e-
nute ncdostatke T h u rsto n eo v e sk alc i da na o sn o v u d o tad a šn jih isk u stav a u n ap rc-
di m ercnje stavova.
O snovna ideja je b ila da se izb c g n e faza p ro c en jiv a č a tako što će sam i
ispitanici biti sudije. D a bi se to p o stig lo m o raju sc e k sp lic itn o prik u p iti stavovi
svih ispitanika na svim stav k am a. O d m ah se p o k a z a lo da ako se želi d a isp itn iei
b u d u sudije, onda j e fe r p o stu p a k d a im se om o g u ći da za iskaze čiji in ten zitet ne
m ogu da p ro c en e z ao k ru ž e n e o d ređ e n i odgovor: „ n eo d lu ča n ” . N a k o n što je ideja
sazrela do o v o g n iv o a, n ije b ilo p o tre b n o ninogo da se z aključi k ak o bi se ispita-
nici m ogli p ro sto p ita ti za s te p e n s la g a n ja sa tvrdnjom . U tom slu č aju bi je d n a od
T h u rsto n eo v ih stav k i sa d a iz g le d a la ovako:

Uopšte se Ne slažem Neodlučan Slažem se Potpuno se

ne slažem se sam slažem
Smatram da crkvena služba
1 5
umiruje I inspirlše

S tavka je sada, sam a za seb e, p o sta la sk ala stava. F o rm a t stavke se od

d ih o to m n o g p ro m en io u fo rm at sa u re d e n im k ateg o rijam a. O vaj L ik e rto v p reo k ret
u logici i n ačin u g led a n ja na stav k u za m eren je stav a je bio od to lik o g značaja da
se d an as sam e sta v k e o v o g fo rm ata č esto naziv aju L ik e rto v o m skalom .
L ik e rto v e sta v k e m o g u biti fo m iu lisa n e bilo kao iskazi ili tv rd n je, b ilo kao
p itan ja, s tim e da tek st a lte rn a tiv a m o ra da bude gram atički i log ičk i saobražen
stabhi.
S led eća m e to d o lo šk a n o v in a k o ju su do n ele L ik erto v e sk ale je to što se
odgovori n a sv im sta v k a m a sabiraju kako bi se fonnirao Jikiipni skor kao kom po-
zitni p o k azatelj sv o jstv a k o je se m eri (npr. stava). Z ato se L ik e rto v e skale nazi-
vaju s u n ia c io n im skahim a.

Negalivno formulisan ajtem Pozitivno formulisan ajtem

S lik a *). P ro b a b ilističk i m o n o to n i m o d cl L ik erto v e

skale

Z a razlik u od T e rsto n o v e sk a le, L ik e rto v e skale p rip ad a ju k lasi probahili-

sličkih monotonih modela. T ip ič n a K K S tak v ih ajtenia im a o b lik ogive, ili neke
v rio slične k riv u lje . K K S p o z itiv n o fo n iiu lisa n ih ajtcn ia im a pozitivan nagib
(rastući), a kriva negativno formulisanih ajtema negativan (opadajući), kao što je
prikazano na slici 9. Međutim, u praksi se pokazuje da nije sve tako jednostavno
kod Likertovili skala i da sve stavke Likertovog tipa ne moraju zadovoljavati
monotoni model. Naime, ispitanici sa ekstremnim stavovima se mogu ne slagati
sa umerenim tvrdnjama. Zasada postoje indicije da Likertove skale mogu da
potcenjuju ispitanike sa ekstremnim stavovima i da ako postoji praktična potreba
da se otkriju upravo lakvi ispitanici, onda je bolje koristiti Thurstoneove skale
(Roberts et al., 1999).
Probleni neutnilnih tvrdnji. - Likertove skale su, smatra se, inkompatibil-
ne sa neutrahnim iskazima, jer ako se neko uopšte ne slaže sa neutrahiim iskazom,
ne znamo na koju stranu naginje njegov stav. Andrich je, recimo, pokazao da se
sa tvrdnjom „Smatram da je smrtna kazna nužna, ah bih voleo da nije” najviše
slažu oni sa srednjim (neutralnim) stavom prema smi'tnoj kazni, ali se ne zna ko
su oni koji se sa tvrdnjom ne slažu. Zbog toga, a i zbog malopre spomenutog
problema koji Likertove skale mogu imati sa ekstremnim ispitanicima, uputstvo
za konstrukciju Likertovih skala kaže da se neutralni ajtemi moraju potpmjo
izbeći i da j e najbolje imati ajteme koji su umereni do ekstremni.
Naravno, uključivanje ekstremnih ajtema može prouzrokovati različite
probleme; od toga da se ispitanici uplaše od odgovaranja na takvu skalu (npr.
ajtemi kao što su: „Najbolje bi bilo da neko sve ... pobije”), čak i ako se intimno
slažu, pa sve do ekstremno asimetričnih distribucija takvih stavki koje dovode do
toga da im budu umanjene korelacije sa drugim stavkama.
Danas se Likertove skale koriste mnogo više od Thurstoneovih. Neki autori
neopravdano smatraju da su Thurstoneove skale prošlost i da više nema razloga
za njihovu primenu. S druge strane, Likertove skale se često koriste kao sinonim
za sve stavke sa uredenim kategorijama, tj. za skale procene uopšte. Ako
pogledamo tri Spectorova tipa alternativa, jasno je zašto je to tako. Recimo, može
se sresti da je Likertova skala i sledeća stavka: „koliko ste puta ove godine bili u
pozorištu: 1-nijednora, 2-jednom , 3-dva do pel puta, 4-više od pet puta”.
Korelacije između Likertovih i Thurstoneovih skala su između 0,60 i 0,95 (bilo
da se isti ajtemi prezentiraju na dva načina, bilo da se za isti stav posebnb kon-
struišu upitnici sa jednim i drugim tiponi stavki).

e. K onstrukcija Likertove skale

Pre nego što se pređe na tumačenje konstrukcije Likertove skale treba znati
da se danas može sresti veoma široka upotreba termina „Likertova skala”. Kada
se danas spomene Likertova skala, obično se misli na stavke sa 4 -9 kategorija,
bez obzira na njihov predmet merenja (dakle, ne samo stav).^^ Međutim, ako se

Sani L ik ert j e koristio b ip o lam i sim clrični skup alternaliva (v, kasnijc), koji se
danas u cng lcsk o m žargonu obično naziva; SD , D, N, A i SA (S trongly D isagrce, D isagree,
N eu tral, A g rce, S trongly A grcc).
smatra da je suština Likertovih skala to da su one sumacione skale procene, onda
se defmicija i primena ovog formata stavki može još više uopštiti. U tom slučaju
za Likertove skale više ne samo da nije presudno da li mere stavove, nego ni
altemative ne moraju pripadati bipolamom simetričnom skupu. Na sledećim
stranama ukratko ćemo opisati različite tipove alternativa.
Konstrukcija Likertove skale prolazi kroz nekoliko faza. Spector (1992)
navodi tih pet koraka kao:
L definicija konslrukta, odnosno kontinuuma,
2. uobličavanje i pisanje stavki,
3. pilot istraživanje,
4. prva primena i ajtem anahza, i
5. odrcdivanje mernih svojstava skale.

/ U obličavanje ip isa n je Likertovih stavki

Ovaj korak se može podeHti na tri potkoraka; a) pisanje stabala stavki, b)

definisanje ahernativa, i c) kvantifikacija ahernativa.
Forniulisanje stabla stavke. - U literaturi i na Internetu se mogu naći
mnoga pravila kojih se treba pridržavati prihkom pisanja stabla Likertovih stavki
(npr. Fraiy, 1997). Osnovna pravila pisanja stavki u bilo kom psiliološkom testu,
anketnom upitniku, ili skah stavova su slična. Kada je reč o Likertovim stavkama,
treba se držati formata {X r V], npr. „Naši profesori {X) nas na predavanjima
podstiču {;•} da aktivno učestvujemo {K}”.
• Stavke treba da sadrže samo jedan objekt, jednu vrednost i samo jednu
relaciju. Taj problem je studentu poznat jer je vcć opisan u prethodnom
poglavlju o Terstonovim skalama. Stavke ne treba da izgledaju kao: ,,Moj
profcsor je dobar stručnjak i dobar pedagog”.
• Treba izbegavati koiokvijalni govor i žargon, strane reči, stručne ter-
mine, ncjasne i dvosmislene termine, uvredljivc reči itd. S druge strane,
međutim, govor treba prilagoditi populaciji kojoj je skala namenjena. Na
primer, deci se ne treba obraćati sa ,,vi” jer će ih to zbuniti i mogu misliti
da se, pošto je pitanje u množini, odnosi na njihovu porodicu, ili drugovc.
Ako skala ima ncku posebnu namenu, ih ako je namenjena nekoj posebnoj
populaciji, može se odstupiti od ovog pravila, ali prema žargonu uvek tre-
ba biti štedljiv. Žargon se mcnja i ako je skala namenjena za trajnu upotrc-
bu, vremenom se može desiti da izgubi rnerna svojstva. Stavka „šutnuće
me momak/devojka” može promeniti značenje iz „ostaviće me” u „preva-
riće m e”, ili će možda izgubiti žargonsko značcnje (iako je verovatno da
će negativni smisao opstati). U stavci ,,ne bojim se murije”, „murija” može
menjati značenje izmedu policije i zatvora itd.
P itanje negalivno form ulisanih tvrdnji. - Postoji više pravila koja se
odnose na smer tvrdnji i na smer alteraativa.
 • Treba koristiti kako pozitivno, tako i negativno fomiulisane ajteme.
• Međutim, negativnu formulaciju ne treba praviti tako da se pozitivnoj
tvrdnji doda ,,ne”. Na primer, ako tvrdnja glasi „Volim da idem na preda-
vanja”, treba izbegavati da negativna tvrdnja glasi ,,Ne volim da idem na
predavanja”. Pogotovo treba izbegavati dvostruke negacije, kao što bi bilo
,,Ne mogu da kažem da ne volim da idem na predavanja”. Negativne ajte-
me treba praviti „autentično”, npr. „Mrzim da idem na predavanja”.
• Negacija se može postići tako da se varira bilo smer stabala stavki, bilo
smer alternativa; jedno ili drugo ili oboje.
Smatra se da se uključivanjem pozitivno i negativno formulisanih tvrdnji
smanjuju greške merenja kod ispitanika koji imaju tendenciju da se uvek slažu sa
tvrdnjom, ili onih nemotivisanih koji zaokružuju „uvek 5". Pored toga, naizme-
nično formulisani ajtemi prisiljavaju ispitanike da se više koncentrišu.
Međutim, istraživanja su pokazala da negativno sročeni ajtemi ne mere tivek
isiu stvar kao i njihovi pozitivni originaH.U Hteraturi su ponuđena tri moguća
kompromisna rešenja: a) nasumično promeniti formulaciju nekih stavki iz pozitiv-
ne u negativnu, b) promeniti raspored alternativa iz ,,ne slažem se-slažem se” u
,,slažem se-ne slažem se” (ih obratno) u nasurnično odabranim stavkama i c)
uraditi i jedno i drugo. Neka istraživanja ukazuju na to da simultano okretanje i
stabala stavki i rasporeda akernativa stvara konfuziju kod ispitanika, što dovodi
do grešaka u odgovorima i, možda, do demotivacije, što onda dovodi do smanji-
vanja pouzdanosti cele skale. Druga istraživanja su ukazala da je drugo rešenje
optimalno. Ipak, treba odvagati rešenja u svakvom konki'etnom shičaju, imajući u
vidu da dugogodišnje iskustvo i praksa istraživača ukazuju da negativnareformu-
lacija nije isto što i „slika u ogledahi” i da može dovesti do promena u merniin
svojstvima.
Form ulisanje altcrnativa. - Što se tiče formuhicije altemativa, relevantan
je njihov sadržaj i njihov broj. Spector (1992) kaže da postoje tri glavne grupe ili
tipa sadržaja alternativa.
• Slaganje - ovaj tip altemativa iskazuje stepen slaganja ispitanika sa
tvrdnjom. Stepen slaganja se, po pravilu, postiže nekim prilogom (modifi-
katorom ili kvantifikatorom). Primeri nekih od tih kvantifikatora na našem
jeziku su „potpuno”, ,,umereno”, „uopšte ne”, ali se koriste i ,,sasvim”,
„donekle”, „nikako” itd.
Kontinuum u ovom tipu alternativa se formuliše kao bipolaran, od
neslaganja do slaganja i simetričan oko jedne srednje tačke. U jezičkom
smislu se koriste glagoli kao što su; slagati, saglasiti, podržavati i sl. Ka-
rakteristična dilema ovog tipa je da li srednja kategorija stvarno treba da
postoji ili ne. Jedan često korišćen skup altemativa, koji sadrži neutralnu
kategoriju i koji demonstrira kako se odabrani glagol (slagati se) modifi-
kuje odabranim prilozima, je: „uopšte se ne slažem”, „umereno se sla-
 žem”, „niti se slažem niti se ne slažem”, „umereno se slažem”, i „potpuno
se slažem”.
Po altemativama ovog tipa se prepoznaju klasične Likeitove skale u
užem smislu.
• Ocenjivanje - u ovom tipu alternativa je stavka obično u formi pitanja
i nalazi se na dimenziji loše-dobro. Od ispitanika se traži da da svoj sud o
predinetu pitanja, odnosno o stepenu koliko je loš, odnosno dobar. Alter-
native se po pravilu sastoje od prideva koji se odnose na subjekt sadržan u
tvrdnji ili pitanju. Pridevi koji se često koriste su; „loše-osrednje-dobro”,
ili „očajno”, „neprihvatljivo”, „prihvatljivo”, „odlično”. Takode, i ovde se
mogu koristiti modifikatori kao što su „viio”, „veoma”, ,jed v a”, ,jak o ”,
„sasvim” itd.
Kod ovog tipa ahernativa se ne insistira da kontinuum bude bipolaran
i simetričan.
• Frekvencija i količina - ovaj tip alternativa se uglavnom primenjuje na
stavke koje su formuiisane upitno (može biti i posredno, npr.: ,,Na pregled
dojki kod lekara idem...”). Prilozi koji se koriste označavaju učestalost,
količinu, prisustvo, brzinu ili iiešto slično. Na primer: „izuzetno”, „retko”,
„ponekad”, „povremeno”, „redovno” itd. Nekada se koriste i numeričke
odrednice, kao npr.: ,jednom ”, ,,dva do tri puta”, „više od tri puta” i sl.
Neki autori smatraju da kontinuum uvek treba čvrsto usidriti kra-
jevima skale kao što su „nikad”, „uvek”, „nijednoni” i sl. Kod ovog tipa
alternativa se takođe ne traži da kontinuum bude simetričan i bipolaran i,
kao i za prethodni tip, ne smatra se tipičnom Likertovom skalom.
Kvanfifikacija alternativa. - Pod kvantifikacijom alternativa se podrazu-
meva dodeljivanje brojeva ahernativama. Nekada je logično da numerisanje
alternativa/kategorijapočinje od 1 ili od 0 (npr. 0, 1,2, 3). Tada se podrazumeva
da mereno svojstvo varira od nepostojanja do visoke prisutnosti i takve skale mo-
žemo nazvati imipolarnim. U drugom slučaju, recimo kada se radi o stavovima,
pretpostavka je da se kontinuum pruža od negativnih vrednosti, preko neutralnih,
do pozitivnili. Numerisanje kategorija bi se moglo obaviti na sledeći način: -2 ,
-1 ,0 , 1,2. Ovakvu skalu nazivamo hipolarnom.
U praksi se, da bi se izbeglo korišćenje brojeva, s jedne stranc, i da bi se
jasno označio polaritet alternativa s druge, koristi i sistem oznaka - , - , -+ , +,
++”, umesto ,,I, 2, 3, 4, 5”.
Pogledajmo primer sa dve tvrdnje koje ispituju meduljudske odnose. Prvaje
formulisana pozitivno, a druga negativno. Altemative su prvog tipa; slažem se-ne
slažem se.
Ponosan sam na svoie odnose sa Uopšte se ne , Potpuno se
, , , ' . N e s la z e m s e Slazem se
kolegama na poslu slazem slazem

Loše m islim o mojim saradnicim a ^ e slažem se Slažem se se

‘ slazem slazem
 Raspored alternativa koji je iskorišćen u gomjoj tabeli se ponekad naziva
negativnim, dok se suprotan raspored; koji počinje od pozitivne alternative (pot-
puno se slaženi) naziva pozitivnim. Često se, iz praktičnih razloga, stavke
prezentiraju na sledeći način:
Uopšte se ne Ne slažem g ig jg ^n gg Potpuno se
slažem se slažem
Ponosan sam na svoje odnose sa
kolegama na poslu

Loše mlslim o mojim saradnicim a 1 2 3 4

Pošto je druga stavka negativno formulisana, psiholozi brojeve njenih

ahemativa često navode u redosledu: 4, 3, 2, 1. To jeste psihometrijski egzaktno,
ali zbunjuje ispitanike je r ne znaju da H da slede logiku teksta ahernativa iz
zaglavlja tabele, logiku brojeva, ih logiku prostornog rasporeda. Ako se već žeh
štedeti, pa se umesto teksta altemativa koriste brojevi, onda je najbolje da bude
kao što je prikazano u tabeh: uvek kao 1, 2, 3, 4.
Ako se uradi tako, onda pre sabiranja odgovora na pojedinačne stavke (u
cilju formiranja ukupnog skora), kao i za potrebe određivanja memih svojstava
skale treba izvršiti refleksiju ih inverziju negativno formuhsanih stavki. Formula
za to jejednostavna:
R = (G + D )-1 , [26]
gde je G najviši broj, D najniži broj, a I skor konkretne ahernative.
Oko broja i foiTnata ahemativa u Likertovim stavkama postoje mnoga
istraživanja i iskustva. Kao tipičan broj se danas može smatrati 5, međutim, radi
se više o konvenciji i potrebi da podaci budu uporedivi, nego o čvrstima razlo-
zima. Postoje generaina iskustva da prosečan ispitanik ne može da razhkuje više
od 10 gradacija svog stava, a neki autori čak smatraju i manje (Spector, 1992, 5-9
kategorija, Fraiy, 1997, 6-7 kategorija).
S druge strane, postoje brojna istraživanja koja sugerišu da već trostepene
skale poseduju sasvim zadovoljavajuća merna svojstva.
Pošto svaka stavka Likertove skale predstavlja skalu stava sama za sebe,
jedna zdravorazumska pretpostavka nam kaže da nije potrebno mnogo stavki da
bi se merenje obavilo kvalitetno (objektivno, pouzdano, valjano...). Stvarno,
danas se smatra da skale stavova sastavljene od stavki Likertovog tipa ne moraju
da imaju više od 20 stavki (Roberts i sar, 1999), a retko je potrebno više od 40.
Shodno tome, inicijalni broj iskaza ne mora da bude toliko veliki kao kad se
konstruiše Thurstoneova skala (iako veličina početnog skupa stavki zavisi od
mnogih drugih stvari, a ne samo od izabranog memog modela). Ponekad se
spominje broj od 80-100 stavki u početnom skupu, ah je to sasvim okvimo
odredenje.

P itanje srednje kategorije. - Znamo da se u teorijskom modelu skale

stavova eksplicitno pretpostavlja kontinuum osobine koja se meri. Ako je reč o
afektivnoj komponenti stava, kontinuum se proteže od ki'ajnje negativne do
krajnje pozitivne emocije prema predmetu stava. U sredini kontinuuma se nalazi
nentralan stav, kada podjednako postoji i priltvatanje i odbacivanje, slaganje i
neslaganje, privlačenje i odbijanje.
Ako se za alternative u stavkama odabere ono što smo nazvali bipolarnim
simetričnim modelom, to znači da mora postojati jedna srednja kategorija koja
izražava upravo taj neutralni stav. Nažalost, ima mnogo dokaza da ispitanici
biraju srednju kategoriju iz različitih razloga. Na izbor srednje kategorije, ali ne
zbog toga što ispitanik poseduje „neutralan stav”, može da utiče:
• predmet stava ~ npr. ako je nepoznat ili nedovoljno blizak ispitaniku,
ili ako je „osetljiv”, neugodan, nepristojan i sl.;
• formulacija stavke - nejasnoća, dvosmislenost...;
• kognitivna i druga ograničenja ispitanika - slabo pismeni, deca, stari...;
• socijalna poželjnost - ako bi izbor ekstremnog odgovora bio
nepoželjan ili neprimeren sa ispitanikovog stanovišta;
• odgovaračko usmerenje - neki ispitanici izbegavaju da javno iskazuju
ekstremne stavove i teže „srednjem rešenju”.
U nekim slučajevima, alternativa koju bi ispitaniku trebalo ponuditi, ili koju
bi on trebao da zaokruži je „ne znam”, a u drugim slučajevima je to ,,ne želim da
odgovorim”. Iskustva govore da se sa ovim alternativama ne rešava potpuno pro-
blem, jer se zna da se nije lako odlučiti između srednje kategorije (npr. ,,ne-
odlučan”) i ,,ne znam”, a ,,ne želim da odgovorim” se često tretira kao ,,ne znam”.
Naravno, ove dve dodatne altemative bi učinile skalu nominalnom, odba-
cilo pretpostavku kontinuuma i onemogućilo sumaciju kao metodu formiranja
ukupnog skora.
Nekada se siluacija može rešiti na taj način što se na početku upitnika
postavi jedno ili više pitanja o tome da li je predmet stava koji se ispituje poznat
i dovoljno blizak ispitaniku. U zavisnosti od toga šta se meri, populacija na koju
se skala odnosi može biti ograničena po polu, starosti, obrazovanju itd., u kom
slučaju skalu ne treba primenjivati van te populacije.
Da bi se izbeglo socijalno poželjno, oportunističko, nepažljivo i nemotivi-
sano odgovaranje (koje obično dovodi do biranja srednje kategorije, ili kategorija
kao što je ,,ne znam”), konstruktori skala pribegavaju rešenju da se ne koristi
srednja, ncutralna kategorija. Takvo rešenje je poznato i generalno se može pri-
hvatiti, ali treba imati u vidu bar dve stvari, Prva stvar je da se u pisanju stavki i
pitanja u bilo kom testu (koji nije test sposobnosti) mora biti biti fer prema
ispitaniku, Treba uvek imati u vidu da neki ispitauici neće uopšte imati šta da
kažu 0 onome što se pita, pogotovo kada se radi o opštoj populaciji, ih iz nekih,
ma kakvih, razloga, neće želeti da odgovore. Isto tako, uvek će postojati neki
ispitaniei koji stvarao ne mogu da se odluče i za njih je neutralna kategorija
najbolji izbor.
Ako ispitanici sami popunjavaju upitnik (tj. ako se ne radi o ličnom inter-
vjuisanju), oni mogu da izaberu da jednostavno ne odgovore na takva pitanja, Na
nesreću, kada se u obradi podataka naiđe na takav neodgovor, ne može se utvrditi
da li je usledio zbog greške (previda) ispitanika, zbog greške u priprem i i unosu
podataka, ili je to stvarno biia odluka ispitanika.
Druga stvar koju treba imati u vidu je da izbacivanje srednje kategorije neće
funkcionisati ako se radi o osetljivim temama ili osetljivim uslovim a primene
skaie. Praksa je pokazala da u tom slučaju ispitanici biraju prvu sledeću ,,naj-
poželjniju” kategoriju, kao što je „umereno se slažem”, ili „umereno se ne
slažem” (Fajgelj, 2005).

g. Sem antički difcrencijal

Reči mogu da imaju denotativno i konotativno značenje. Denotativno

značenje se obično povezuje sa stvarnošću, tj. šta stvarno znači neka reč. U
uvodnoj glavi pomenuli smo denotativne defmicije, koje značenje nekog pojma
definišu putem nabrajanja svili mogućih njegovih značenja. Ova vrsta značenjaje
sadržana u rečnicima i ima za cilj eksplicitnu identifikaciju reči, ono što reč znači
sama po sebi i to značenje je dostupno svim Ijudima.
Za razliku od denotativnog, konotativno značenje se obično vezuje za
emocije. Konotativno značenje povezuje reč sa drTigim rečima i sa drugim znače-
njinia, koja mogu biti različita od osobe do osobe ili od grupe do grupe.
Konotativna značenja su rezultat iskustva pojedinca ili grupe. Apstraktne reči
(npr. sloboda, Ijubav, demokiatija) imaju više konotativnih značenja od konkret-
nih (npr. računar, stolica, telefon).
Semantički diferencijal je predložio Charles Osgood (Osgood i sar, 1957,
Ozgud, 1963) kao metodu m erenja konotativnog značenja reči. Principi ove
metode su prilično jednostavni. Procenjivači ili ispitanici dobijaju zadatak da
neku reč razvrstaju u seriji kontinuuma koje čine polarni atributi (v. primer).

Tabela 14.- Semantički diferencijal

u g la s t_________________________________________________________ __ zaobljen

s la b ____________________________________________________ ja k

rapav ___________________________________________________________ gladak

aktivan pasivan

mali veliki

h la d a n ____________________________________________________________topao

d o b a r ____________________________________________________________ rđav

n a p e t____________________________________________________________ opušten

m o k a r ____________________________________________________________ suv

svež ustajao

U Ozgudovom primeru ispitanici su dobili zadatak da na 10 skala razvrstaju

reči „učtiv”, „revnostan” i „vatren”. Ovakva serija bipolam ih skala se naziva
semantičkim diferencijalom. Linije mogu biti postavljene vertikalno, a mogu u
jednakim intervalima biti označene sa npr. 4-1] zareza radi lakše orijentacije
ispitanicima. Lokacije koje ispitanici dodeljuju zadatim rečima u semantičkom
diferencijalu se prosto mogu izmeriti mjlimetrima i zatim se izračunati srednja
lokacija kao prosek ili medijana. Može se meriti i vreme reakcije, odnosno brzina
odgovaranja na svaku skalu (ako se metoda primenjuje u kliničkoj psihologiji,
analogno testu asocijacije reči).
Pomoću faktorske analize, Ozgud je utvrdio da se, generalno gledajući,
kako ,,u fizičkom, tako i u socijalnom svetu”, značenja mogu razvrstati u tri
gnipe. On je njili nazvao „dimenzijama značenja”, a taj trodimenzionalni sistem
je zadržan do danas (Trochim, 2005). Čine ga dimenzije: 1) ocene ili evaluacije
(privlačan-neprivlačan, dobar-Ioš, lep-ružan, pošten-nepošten), 2) snage ili
potencije (jak-slab, mali-veliki, uspešan-neuspešan) i 3) aktivnosti (aktivan-
pasivan, brz-spor, uzbudljiv-dosadan).
Praksa je pokazala da se pomoću semantičkog diferencijala mogu meriti i
personalni sklopovi „latentnih značenja”, odnosno konotacija koje Ijudi pripisuju
nekirn pojmovima. Medutim, pošto je semantički difereneijal višedimenzionalna
skala (za razliku od svih ostalih skala stavova), problem je kako napraviti jedan
kompozitni pokazatelj. Mogu se koristiti profili, međutim, istraživači često
koriste samo jednu dimenziju, najčešće evaluativnu, za koju se onda mogu sabrati
pojedinačni skorovi ili izračunati prosek kao ukupni indikator stava.
Semantički diferencijal omogućava da se ispitanici, ili grupe ispitanika
mogu porediti s obzirom na profile razvrstavanja iste reči, ili se dve reči mogu
upoređivati s obzirom na profil koji im daju ispitanici. Reči ili objekti mogu biti
bilo koji - Ijudi, institucije, sociopolitički pojmovi i sl. Skaliranje značenja pomo-
ću semantičkog diferencijala se koristi u kliničkoj psihologiji, marketingu, soci-
jalnoj psihologiji itd. Pomoću njega se mogu pratiti efekti terapije ili marketinške
kampanje. Umesto jednostavnih prideva, polove na skalama mogu zameniti i
jednostavni iskazi, čime se briše fma razlika izmedu originalne ideje semantičkog
diferencijala i običnih bipolarnih skala stavova. Za semantički diferencijal se
smatra da je indirektna tehnika merenja stavova (Havelka, Kuzmanović, Popadić,
1998, Aiken, 2002, Fajgelj, 2005).

h. Ostale tehnike

Pored navedenih, koriste se i druge tehnike merenja stavova: Mokkenova

skala, Q-sort, ocenjivanje veličine (engl. magnitude estimation), očekivanje -
vrednost (engl. expectancy - value, E-V ) itd. Mokkenova skala je probabilistička
varijanta Guttmanove skale. g-sort se sastoji u razvrstavanju kaitica na kojima
pišu tvrdnje (od ekstremno negativnih do ekstremno pozitivnih) u 9 ili 11 gomila.
Ispitanik nema instrukeiju da kartiee ravnomemo razvrsta po gomilama (kao što
imaju sudije u Thurstoneovoj skali), pa se obično dobije približno normalna
distribucija.
 P. Pouzdanost merenja

Pilanje o pouzdanosti se poslavlja u svakom merenju, pa i u socijalnim

istraživanjima. Odmah u sledećem poglavlju ćemo videti da se isto može reći za
temu validnosti merenja. Probleme pouzdanosti i validnosti smo već pominjali u
ranijim poglavljima i sada je vreme da se o njima kaže ncšto više.

Nevalidan Validan Nevalidan Validan

Slika 10. - Pouzdanost i validnost kao gadanje u metu.
Pouzdanost i valjanost, odnosno relijabUnost i validnost (koji se najviše
izučavaju u psiholoSkoj literaturi i u kontekstu psihološkog merenja) su višestru-
ko i prilično blisko povezani. Posudićemo jednu ilustraciju njihovog odnosa i
prikazati je na slici 10. Koristi se melafora mete na kojoj ccntar predstavlja
koncept ili osobinu koju pokušavamo da merimo. Kad god izmerimo jednu osobu,
kao da smo ispalili hitac u metu-metaforu. Iluslrovane su četiri moguće situacije.
U prvoj naši hici pogađaju precizno, ali promašuju centar, Takvo mercnje je
pouzdano, ali nije valjano (verovatno mcri neku drugu osobinu). U drugoj situa-
ciji je gađanje neprecizno, ali nivnomerno raspoređeno oko centra. Ako gledamo
sve merene osobe kao gnipu, naši pogoci dosta dobro ocenjuju grupnu vrcdnost -
prosek, ali su individualne vrednosti neprecizne (nepouzdane). Druga situacija
jasno ukazuje da je pouzdanost stvar koja je usko vezana sa varijabilnošću. U
trećoj situaciji je naše gađanje i raštrkano i dosledno promašuje centar, pa kažemo
da takvo mcrenje nije ni pouzdano ni valjano. Četvrta situacija prikazujc ono što
bi trebalo da krasi svako merenje - gusti pogoci, tačno u centar. Takvo merenje je
i validno i pouzdano.
Nažalost, odnos pouzdanosti i validnosti je složen, a u zavisnosti od prime-
njenog modcla merenja i konkretnog tipa pouzdanosti i valjanosti može se nalaziti
u protivrečnom odnosu. Osim toga, različiti načini izračunavanja koeficijenata
pouzdanosti često daju značajno različite vrednosti. Pouzdanost istog memog
instrumenta varira od uzorka do uzorka ispitanika. Zbog te varijabilnosti metoda
za ocenu pouzdanosti i varijabilnosti koeficijenata pouzdanosti danas je usvojen
stav, manje-više od strane svih autora, da nije merni instrum eniponzdan ili nepo-
uzdan, nego su poiizdani, odnosno ncpouzdani podaci.
 Postoji jedna značajna razlika između relijabilnosti i validnosti: relijabilnost
se iskazuje jednim jedinim pokazateljom koji se naziva koeficijentom pou-
zdanosti, dok za validnost u najvećem broju slučajeva ne postoji takav jedinstven
pokazatelj, nego se validnost iskazuje čitavim nizom pokazatelja i parametara,
Koeficijent pouzdanosti se može defmisati kao odnos prave i ukupne varijanse,
šlo se može napisati kao:

r„= a / / a ^ , [27]
gde je ff/ varijansa pravog skora, a varijansa ukupnog skora. Ova formula je u
opštem slučaju jednaka formuli:

/•„= [28]
gde je f f / varijansa skora greške.
Generalno, pouzdanost se definiše kao odsustvo grešaka merenja. U
sledećim poglavljima ćemo malo detaljnije specificirati tu opštu definiciju.

1. Tipovi pouzdanosti

a. Pouzdanost interne konzistencije

U osnovi ovog tipa pouzdanosti su interrelacije stavki u testu ili upitniku.
Ako su te interrelacije visoke, onda je visoka interna konzistencija i visoka je
pouzdanost. Po klasičnom modelu merenja znamo da greške ne koreliraju ni sa
pravini skorovima ni međusobno. Dakle, akc postoje korelacije izmedu stavki
onda to može biti pripisano samo pravim skorovima. U priručnicim a za
psihološke testove kao i u literaturi najverovatnije je da će se naći neki od
koeficijenata pouzdanosti koji pripadajii ovom tipu pouzdanosti.
Ključni pojam u ovom lipu pouzdanosti, koji je direktno i najuže povezan
sa klasičnim modelom merenja i nadopunjava ga, je pojam paralelnih indikatora
(ranije smo objasnili šta je indikator). Paralelni indikatori se, u osnovi, defmišu sa
tri sledeća uslova:

i i .....m [29]

što ne znači ništa drugo do: da su im a) jednaki pravi skorovi i b) varijanse greške
i c) da su grcške nekorelirane. U teoriji postoji još jedan dodatni skup uslova koje
paralelni indikatori moraju zadovoljiti, ali oni ovde nisu presudni.
Kada napišu sve formule, izvrše potrebne zamene i srede svi izrazi dobije se
ključna i osnovna jednačina pouzdanosti:

[30]
gde su sa j i k označena dva paralelna indikatora, je korelacija izmedu njih, a
ff/ varijansa pravog skora tih indikatora (ona je jednaka za oba paralelna indika-
tora). Ova naizgled neuglcdna fonriula iskazuje jednu jednostavnu i eleganfnu
defmiciju da je pouzdanost nekog mernog instrumenta jednaka njegovoj
korelaciji sa nekim drugim, njemu paralelnim instrumentom. Naime, ako
iiporedimo gomju jednačinu sa defmicijom koeficijenta pouzdanosti: r„ = cr/
/ o^, onda vidimo da su ta dva izraza potpuno jednaka.
Svi koeficijenti pouzdanosti tipa interne konzistencije izvedeni su iz ove
defmicije, samo različito definišu šta su indikatori i koliko ih ima. Najčešće
korišćeni takav koeficijent dali su Guttman i Cronbach, ali se danas sreće samo
pod imenom Kionbahova alfa. Formula mu je:

m
a = [31
m - \

gde je m dužina testa ili upitnika, odnosno broj stavki, su varijanse stavki, a cr^
je varijansa ukupnog skora memog instrumenta. Pažljiv čitaiac će primetiti para-
doksahiu stvar da u fomiuli uopšte ne postoji ništa što ukazuje na interkorelacije
slavki (a alfa predstavlja pouzdanost inteme konzistencije). To jednostavno sledi
iz izvodenja obrasca. Jedini potrebni podaci su varijanse stavki i varijansa uku-
pnog skora.
Osim Kionbahove alfe, poznati su još i Speannan-Brownov koeficijent
(koji se nekada naziva i ^p/7?-/;a^koeficijentom ih proročkim koeficijentom),
Kuder-Richardsonov koeficijent 20 i mnogi drugi (Fajgelj, 2005).

b. P relest-posltest pouzdanost
Ova vrsta pouzdanosti se vrlo često naziva siabilnošču merenja. Ona se
ocenjuje tako šlo se jedan te isti merni instrument administrira na istim ispitani-
cima dva puta, u izvesnom vremenskom razmaku. Pošto se radi o istom instm-
mentu, sasvim je jasno da to potpuno odgovara niodehi paralehiih indikatora iz
prelhodnog odeljka (svaki instrument je paralelan sam sebi). Otuda je jasno da će
korelacija između dva zadavanja instrumenta predstavljati koeficijent pouzdanosti
tog instrumenta.
Ovu potpuno jasnu teorijsku situaciju prljaju praktični uslovi reahzacije.
Osnovni problemi su u tome: a) što se ispitanici mogu promeniti u periodu izme-
du dva zadavanja instrumenta i b) što ispitanici imaju memoriju i što mogu
zapamliti odgovore iz prethodnog ispitivanja, što se mogu uvežbati u odgovori-
ma, ili, čak, što se mogu umoriti od ponavljanja, Ako su se „ispitanici promenih”,
to može biti zbog njihovih unutrašnjih razloga, recimo razvoja ili starenja, ili zato
što su u međuvremenu na njih delovale neke eksteme varijable. Pored toga, ako je
period između dva zadavanja vehki dolazi do osipanja uzorka.
Nema pravog odgovora na ove probleme. U praksi se to rešava tako što se
period izmedu dva ispitivanja odredi „razumno”, na primer ne više od 6 meseci
kod deco ili godine dana kod odrashh.
 Ovaj tip pouzdanosti je pogodan za određivanje pouzdanosti „problemati-
čnih” meniih instrumenata kod kojih je teško izračunati intemu konzistenciju, na
primer, kod onih koji nemaju precizno definisane stavke (kao što je intervju), ili
kod psiiaoloških „testova brzine”. Ovaj tip pouzdanosti se često naziva i test-
retest pouzdanošću.

c. Pouzdanost alternativnih forin i

Ova pouzdanost se odreduje tako da se konstruišu dve različite forme
mernog instrumenta, od različitih stavki, ali koje su po svim drugim svojstvima
jednake i koje su onda paralelne u memo-teorijskom smiski. Te dve alternativne
forme (može ih biti i više od dve) se onda administriraju na istom uzorku ispitani-
ka istovremeno, ili u malom vremenskom razmaku. Pošto se radi o paralelnim
indikatorima, obična Pirsonova korelacija između dve fomie predstavlja koefi-
cijent pouzdanosti.
Vrio je teško napraviti jedan dobar upitnik, a pogotovo dva. Medutim, u
naukama o ponašanju ponekad postoji potreba da se raspolaže alternativnim
formama istog testa; recimo da bi se izbeglo „provaljivanje” testova. U takvim
slučajevima je pouzdanost altemativnih formi prirodan izbor.

d. P ouzdanost ocenjivača
Ovaj nezgrapan naziv potiče od engleskog izvora: interrater rehability. Po
koncepciji, ova pouzdanost je ekvivalentna modehi paralelnih indikatora, pretest-
posttest pouzdanosti i pouzdanosti ahernativnih fomii. Primenjuje se u situaciji
kada prisustvo osobine kod ispitanika procenjuju ocenjivači, bilo neposrednim
posmatranjem, bilo tumačenjem odgovora ispitanika. Iskazuje se kroz korelaciju
izmedu razhčitih ocenjivača. Nekada se ova korelacija tretira kao objektivnost
merenja, a nekada kao reproducibilnost rnerenja.
Postoji jedan poseban problem vezan za izbor koeficijenta korelaeije kojim
treba da se izmeri saglasnost ocenjivača. Mnogi smatraju da Pirsonov koeficijent
nije prikladan jer ne detektuje razlike u aritmetičkim sredinama ocenjivača; vrlo
blag i vrlo strog ocenjivač bi mogh irnaU korelaciju jedan. Zato se često kao mera
pouzdanosti izmcđu ocenjivača uzimaju dmgi koeficijenti, posebno intraklasni
koejicijent korelacije.

e. Pouzdanost u teoriji ajtem skog odgovora

Pouzdanost ima poseban tretman u TAO modelima merenja. Može se

generahio reći da teorija ajtemskog odgovora ozbiljno nastoji da teoriju merenja
u naukama o ponašanju decentrira od pojmova pouzdanosti i valjanosti, kao
pojmova koji imaju svoja ozbiljna ograničenja i nedostatke i kojima se u klasičnoj
testnoj teoriji posvećuje isuviše pažnje. U tom smishi se umesto rehjabilnosti i
valjanosti nudi pojam objektivnosti, kao centralni zahtev koji merenje mora
ispuniti. Naravno, objektivnost je precizno defmisana i precizno se izračunava.
Pored toga, svi TAO modeli su pravi modeli, u modeniom smislu te reči. Drugim
rečima, iz njih se izvode predviđanja svojstava koja podaci iz testova moraju
posedovati. Ako se, nakon izračunavanja, pokaže da postoje značajna odstupanja
dobijenih podataka od očekivanih vrednosti (potpuno ekvivalentno principu na
kojem funkcioniše %^-test), onda se kaže da ne valjaju ili podaci ili model -
odnosno da model misfituje. Obratno, ako postoji slaganje izmedu prcdikcija
modela i dobijenih podataka, onda model fituje podatke i merenje se smatra
objektivnim, valjanim i pouzdanim.
Takode, za razhku od klasične teorije testa, TAO modeH mogu da izraču-
naju pouzdanost za pojedinačne stavke. Na osnovu toga, ah i drugih saznanja,
TAO modeh merenja su defmisah nekohko „novih pravila merenja” (čiji je autor
Susan Embretson). Jedno od najvažnijih pravilaje da su najpotizdanije one stavke
koje su, po težini, najbolje prilagodene ispitaniku. Iz toga sledi da po TAO
modelima duži testovi ne moraju biti pouzdaniji od kraćih, što je „opšte mesto”
klasičnog modela. Na ovom pravilu je zasnovano računarsko adaptivno testiranje
(KAT, vidi odgovarajući odeljak).

2. Granične vrednosti l<oeficijenta pouzdanosti

Istraživače obično zanima ,,šta je veliko, a šta je malo” u pogledu pouzda-

nosti. Ovo isto pitanje istraživače zanima uvek, i u svim poglcdima, obično
dovodeći u nepriliku saradnike koji su zaduženi za statistiku i psihometriju. Isko-
ristićemo priliku da učinimo đigresiju i da na ovom mestu ukažemo na neke
pravce razmišljanja kojima treba poći pre ili nekon što se postavi spomenuto
pitanje.
U glavi o kvantitativnoj analizi jcdan odcljak je posvećen odnosu statističke
i istraživačke značajnosti. Svakako treba imati u vidu ono što je tamo rečeno.
Zatim, podaci koji mogu pomoći istraživaču da evaluira svoje koeficijente se
nalaze u prethodnim istraživanjima i obično se mogu naći u literaturi. Prethodna
iskustva sa nekom pojavom su sasvim razložan referentni okvir sa kojim se mogu
uporediti vlastiti nalazi. Isto tako, istraživači koji se više godina bave jednom
oblašću već znaju šta se može očekivati; koji koeficijenti korelacije i koje razlike
izmedu grupa su uobičajcni. Na primer, anketna istraživanja sa nestandardizova-
nim upitnicima, sprovedena bez obučenog i uhodanog tima intervjuera, posebno
su na zlu glasu je r ,,se ništa značajno ne može dobiti”. Situaeiju će pogoršati
ukoliko je ciljna populacija nepogodna; npr. deea, stari, nepismeni itd., ili ako
postoje neki drugi faktori rizika (npr. vrlo dugačak upitnik). U svakom slučaju,
ako dobijeni statistici nisu značajni, onda je to ozbiljan razlog za njihovo
odbacivanje. Međutim, kad su uzorci mali, recimo n = 10, koeficijent korelacije
da bi bio značajan na nivou 0,01 mora biti najmanje r = 0,708. Interval poverenja
samo neznatno manjeg koeficijenta od r = 0,7 je (otprilike) od 0,0 do 0,95 i pošto
obuhvata nulu statističari sniatraju da nije značajan. Međutim, retko ko će jedno-
stavno odbaciti tako visok koeficijent i smatraće šansu da on u nekom drugom
istraživanju bude čak r = 0,95 realnom i komentarisaće ga verovatno kao ,,tenden-
ciju” (što je čest eufemizam za neznačajne rezultate). U glavi o kvantitativnoj
analizi je komentarisana pogrešnost veličanja nulte hipoteze i spomenut jedan od
prilaza koji se danas preporučuju; intervali poverenja su informativniji od (tač-
kastog) testa hipoteze.
No, da se vratimo na koeficijente pouzdanosti. Postoje različita ekspertska
mišljenja o tome koliko pouzdan treba da bude neki merni instrument u naukama
0 ponašanju. Medutim, neke vrste instmmenata imaju uvek nisku pouzdanost
(npr. projektivni psihološki testovi, nestruktirani upitnici sa slobodnim odgovo-
rima i sL), a neki uvek visoku (tzv. „psihometrijski” testovi). Takode, kao što će
se videti u sledećem poglavlju, postoji paradoks atenuacije zbog koga visoko
pouzdani instrumenti imaju nižu ki'iterijumsku valjanost. Pošto je za potrebe
selekcije važniji koeficijent validnosti od koeficijenta pouzdanosti, onaj ko vrši
selekciju će rado žrtvovati visoku pouzdanost za dobru valjanost.
Ukratko, kad se radi o koeficijentima tipa inteme konzistencije, recimo alfi,
onda se smatra da je donja prihvatljiva granica 0,7. Instrument sa koeficijentom
alfa manjim od 0,7 se ne može smatrati prilivatljivim. Ako koeficijent pouzdano-
sti posmalramo kao odnos prave i ukupne varijanse, onda r„ = 0,7 znači da instru-
ment ima 70% prave varijanse. Ako se koeficijent pouzdanosti posmatra kao koe-
ficijent korelacije izmedu paralelnih indikatora, onda iz poglavlja o korelaciji
znamo da koeficijent možemo kvadrirati i dobiti proporciju zajedničke varijanse.
U ovom slučaju bi to bilo 0,49, dakle minimatoo pouzdani test mora imati najma-
nje 50% zajedničke varijanse (zaokruženo) sa bilo kojim sebi paralelnim testom.
Generalno prihvatljivom pouzdanošću se smatra alfa koeficijent od 0,83.
Vrlo visokom pouzdanošću se smatraju alfa koeficijenti koji su viši od 0,90. Koe-
ficijenti pouzdanosti koji se izvode iz TAO modela su obično niži (posebno iz
Raschovog modela), jer su pretpostavke pod kojima se računaju dmkčije.

Q. Valjanost merenja

U prethodnom poglavlju je prodiskutovan opšti odnos valjanosti i pouzda-

nosti i nagovešteno je da su ta dva svojstva merenja povezana, što pričinjava
teškoće u njihovom defmisanju i ocenjivanju. No, ako te teškoće ostavimo po
strani, prvo što ćemo uočiti je da se valjanost razlikuje od pouzdanosti po tome
što nema jedinstven pokazatelj koji bi se zvao „koeficijent valjanosti”. Takođe,
postoji vehka šarolikost defmieija i prislupa valjanosti, a stvar otežava još i to što
se isti tip valjanosti često razUčito naziva.
 1. Tipovi valjanosti

Unatoč svim varijacijama, konfuziji u tenninologiji i različitim teorijskim

pristupima i modelima, moglo bi se reći da postoje tri glavna tipa valjanosti.
Opićemo ih ukratko na sledećim stranama.

a. Sadržinslca valjanost
Sadržinska validnost (eng. content validity) se zasniva na takozvanoj teoriji
uzorkovanja iz domena. Po ovoj teoriji, osobinu koju merimo možemo meriti
velikim brojem stavki (teorijski beskonačnim). Tek ako bi je izmerili pomoću tog
beskonačnog domena stavki, dobijena mera bi biia potpuno tačna.
Pošto mi merimo sa konkretnim instmmentima, sa krajnje ograničenim
brojem stavki, postavlja se pitanje da li je taj uzorak stavki dobro odabran. Pod
izrazorn „dobro odabran” se podrazumeva reprezentativnost, aii samo do izvesnog
stepena.
U psihologiji se, na primer, sadržinska validnost najčešće zahteva od testo-
va postiginića. U testove postignuće spadaju testovi znanja i testovi veština.
Recimo, ako pravimo test znanja geografije za 7. razred osnovne škole, onda
domen iii univerzum stavki defmiše udžbenik geografije, eventualno neka zbirka
zadataka, „radni listovi” i predavanja nastavnika. Sve rečenice iz udžbenika se ne
mogu staviti u tcst kao stavke. Treba izvršiti izbor tako da: a) budu zastupljenji
svi delovi gradiva, b) da svi delovi gradiva budu proporcionalno zastupljeni i c)
da budu zastupljena „kritična znanja” bez kojih učenik ne može dobiti pozitivnu
ocenu (npr. da zna na kom kontinentu je njegova zemlja).
Sadržinsku valjanost procenjuju eksperti iz oblasti koja se testira, psiholozi
koji konstruišu test, naručioci testa, eventualni korisnici testa itd. Njihova procena
se bazira na ekspertskoj proceni, mišljenju i dedukciji. Dakle, ne samo da ne
postoji jedinstven pokazatelj valjanosti, nego ne postoji ni njena kvantifikacija.
Danas se često kao posebna vrsta sadržinske valjanosti tretiraju pojavna
(engl. face validity) i prividna valjanost. Pojavno ili očigledno valjan test mora
imati takav sadržaj i izgled da jc „svima” jasno da meri ono za šta je namenjen da
mcri. Testovi inteligencije, npr., imaju zadatke koji teraju na razmišljanje, skala
stavova o patriotizmu sadrži pitanja o odnosu prema državi i naciji itd. Često se
pojavna i sadržajna valjanost poistovjećuju, verovatno zbog toga što se i jedna i
druga odreduju na osnovu toga šta Ijudi misle o tome da ineri neki instrument.
U psihologiji se prividna valjanost dcfmiše kao „ono što drugi misle da test
meri”. Pod „drugima” se misli kako sami ispitanici, tako i drugi učesnici u poslu
testiranja. Test znanja iz geografije npr. mora da ima pitanja iz oblasti geografije,
u testu znanja iz elektrozavarivanja se ne očekuju pitanja kao što su ,,da li čoveku
koji puno stoji otiču noge” itd. Pitanje prividne valjanosti je veoma važno u
nekim primenama, kao što je npr. profesionalna selekcija, kada su Ijudi zaintere-
sovani da se predstave u što boljem svetlu i pokušavaju da uvide šta test meri
kako bi davali što „bolje” odgovore.
 b. Kriterijiimska valjanost
Kriterijumska valjanost predstavlja svojstvo nekog mernog instrumenta da
može da zameni neku drugu aktivnost, ponašanje ili proceduru. To se utvrduje
tako što se instrument administrira, pa se izračuna njegova korelacija sa tom
aktivnošću, ponašanjem ili procedurom. Ako je ta korelacija dovoljno visoka,
onda kažemo da memi in.stmment može da predvidi aktivnost, odnosno da može
da se koristi imiesto nje. Recimo, u oblasti psihologije rada vrlo važna je oblast
profesionalne orijentacije i selekcije. U toj oblasti se masovno koriste različiti
psihološki testovi kako bi se predvidelo da li će Ijudi biti uspešni u nekim
poslovima. Naravno da možemo da zaposlimo te Ijude, odredimo probni rad i da
ih, ako zadovolje, primimo.
Međutim, to je vrlo skupa procedura, a praktično je nemoguća ako za jedno
mesto konkuriše 100 kandidata. Zato je idealno ako možemo da kažemo da će
Ijudi koji su dobro rešili test, sa velikom verovatnoćom uspeti u tom poslu i da
tako, pomoću jeftine procedure grupnog testiranja izaberemo prave Ijude. Testovi
koji se koriste za te potrebe se obično nazivaju testovimapodobnosti (npr. testovi
za daktilografe, testovi za programere itd.).
Uspeh na poslu nazivamo kriterijumom i otuda potiče naziv čitave ove
grupe valjanosti. Sreću se još i nazivi praktična valjanost, empirijska valjanost,
pragmatička valjanost, dijagnostička valjanost, prognostička valjanost, prediktiv-
na valjanost, konkurentna valjanost, simultana valjanost itd.
U spomenutom primeru kriterijumsku valjanost možemo kvantitativno
iskazati i to jednim koeficijentom. Taj koeficijent valjanosti bi bio korelacija
između skora na testu i uspeha na poslu.
U ovom primeru je kriterijum ,,bio u budućnosti”, tj. pokušavamo da pred-
vidimo kako će se ispitanici ponašati u budućnosti. Zbog toga se taj tip valjanosti
naziva prediktivnom, ili prognostičkom (kada je u pitanju neko patološko
ponašanje). Kriterijum, medutim, može biti i u sadašnjosti. Na primer, taj podtip
valjanosti je važan u kliničkoj psihologiji gde test mora dobro da oceni sadašnje
stanje pacijenta - u cilju dijagnoze. Zato se u kliničkoj psihologiji ona obično
naziva dijagnostičkom, a u drugim oblastima konkurentnom ili simultanom.
Ovaj vrlo razuđeni tip valjanosti ima i različite probleme. Možda najvažniji
problem je onaj koji se odnosi na merenje samog kriterijuma. Naime, lako je reći
„uspeh naposhi”, ali je teško defmisati šta je to i teško je izmeriti takvu osobinu.

c. K onstruktivna valjanost
Gledano vremenski, ovaj tip valjanosti je najmladi; njegovim početkom se
smatra rad Cronbacha i Meehla, objavljen 1955. godine. U ovom tipu valjanosti
se daje odgovor na pitanje šta meri merni instrument, pa se danas ovo pitanje naj-
češće sreće kao defmicija validnosti uopšte.
 lako je ovaj tip valjanosti „pravi” i odigrao je značajnu pozitivnu ulogu u
razvoju ne samo mercnja u naukama o ponašanju, nego i tih nauka uopšte, njegov
ozbiljan problem jc u tome što ne sadrži operacionalizovanu mctodologiju za
ocenjivanje stcpena konstruktivne valjanosti (eng. construct validity). Da bi to
ispravili, Cambcll i Fiske su 1959. godine definisali konvergcntnu i diskrimina-
tivnu valjanost. Konstruktivna valjanost kaže da je memi instrument valjan ako
mcri ono što treba da meri. Mcđutim, ne kaže se eksplicitno da ne trcba da meri
ništa drugo. Pojmovi konvcrgentne i diskriminativne valjanosti su otklonili taj
nedostatak je r kažu da je mcrni instrumcnt konstruktivno vaijan ako visoko
korelira sa sličnim pojmovima i varijablama, a istovremeno nisko korelira sa
pojmovima i varijablarna koji nisu slični.
Recimo, tcst koji mcri anksioznost mora da značajno korelira sa tcstom koji
mcri neurotičnost, introverziju, ncsamopouzdanost itd., jer su to „slične” osobine.
Isto tako, taj test ne sme da korelira značajno sa inteligencijom, dominantnošću,
motivacijom itd., jer to nisu „slične” osobine. Jasno je da se pod sličnošću misli
na teorijske i iskustvenc stavove o povezanosti osobina.
Ovo što je rečeno ne bi mnogo značilo za operacionalizaciju konstruktivne
valjanosti da Cambcll i Fiskc nisu započeli rad na tzv. multiosobinskoj-multi-
metodskoj matrici (MOMM matrici, na cngleskom MTMM - multitrait-multi-
method). Ova matrica jc u osnovi korelaciona matrica (elementi su joj korelacije),
ali sa specifičnom striikturom. Inicijalno, ta sc matrica tumačila narativno, ali sii
do danas uspcšno testirani neki statistički modeli koji su kvantitativno ocenjivali
stepen konvergentne i diskriminativne valjanosti. Pre svega, kao uspešan statis-
tički model sc pokazala konfirmativna faktorska analiza.
Značaj koji ima ova matrica i imdtimetodskipristup koji iz nje sledi je danas
značajno prevazišao inicijaine intencijc da se operacionalizuje konstniktivna
valjanost. Multimetodski pristup zahteva da se ista pojava istraži na više različitih
načina, koristeći prednosti različitih metoda, i da se razlike u nalazima koje su se,
eventualno, pojavile između mctoda uporcde i objasni njihovo poreklo. Česta su
nastojanja da se anketna i druga terenska istraživanja, bazirana na velikim uzorci-
ma i objektivnim metodama prikupljanja podataka kao što su upitnici, skalc
stavova i testovi, dopune i kombinuju tzv. kvalitativnim istraživanjima koja se
sprovodc na mahrn uzorcima, ah na velikom skupu svojslava koja, pri tome, ne
moraju biti unapred dcfinisana. Na primer, ankete se mogu kombinovati sa
studijama odabranih slučajeva, mcta analizom, analizom sekundardnih podataka,
fokus grupama itd. Takode, podaci dobijeni razhčitim metodama prikupljanja
podataka mogu se obrađivati na različit način, koristeći npr. regresiju i analizu
kovarijanse. Zasada ne postoji tehnika koja bi u svim shičajevima primene
multimetodskog pristupa ponudila egzaktan pokazatelj „pravog”, „srednjeg” ili
„prosečnog” nalaza iz svih metoda.
Čitav postupak poređenja različitih metoda i eliminacije razhka ineđu njima
su Cainpbell i Fiske nazvali metodološkom triangulacijom. Triangulacija je
metoda odredivanja položaja u navigaciji i geodeziji, a u društvenim istraživa-
njima se sastoji u tome da se istraživač fokusira na celovitu sliku pojave iz
različitih uglova - perspektiva, odnosno da pronalazi srednje ili kompromisno
rešenje iz više metoda. Multimetodski pristup, metodološki pluralizam i triangu-
lacija se u ovom tekstu spominju na više mesta, što govori o značaju utvrđivanja
validnosti u svim metodama za prikupljanje podataka. Sve vrste validnosti koje su
ovde spomenute, kao i sva pitanja vezana za validnost (šta je povećava i šta je
ugrožava) su g e n e ra ln o p r im e n ljiv a za sva socijalna istraživanja, odnosno za sve
metode prikupljanjapodataka. MOMM matrica i logika koja stoji iza konvergent-
ne i diskriminativne validnosti su samo jedan takav aspekt.

2. Neki izvori ugrožavanja validnosti merenja

U poglavlju o interaktivnosti kvalitativnih metoda, ukazano je da intcrakcija

posmatrača i posmatranog, sama po sebi, predstavlja rizik ugrožavanja validnosti.
Na primer, intervjuer koji odobrava ispitaniku klimanjem glave i izgovaranjem
,,m-hm” ovome jasno stavlja do znanja šta ga interesuje i šta odobrava. Intervju-
erima je potrebno iskustvo i lične predispozicije da bi bili u stanju da ne usme-
ravaju ispitanike.
Pojavu ugrožavanja validnosti zbog interakcije merenja i merenog (v. drugi
izvor individualnih razlika) ilustrovaćemo na primeru so c ija ln o p o ž e ljn o g odgo-
v a ra n ja , kada ispitanici odgovaraju ono što misle da se od njih traži, ili što će ih
predstaviti u boljem svetlu, umesto onoga što stvamo misle. Socijalna poželjnost
može da se utvrdi pomoću faktorske analize ili ajtem analize, a u savremenim
psihometrijskim mernim modelima, kao što je teorija ajtemskog odgovora (v.)
socijalno poželjni odgovori se detektuju pomoću misfita. Osim toga, u meme
instrumente se mogu ugraditi neka pitanja koja trebaju da otkriju tendenciju ka
socijalno poželjnom odgovaranju (npr, ,,da li ste nekada nekoga slagali”). U
psihološke testove se odavno ugraduju tzv. s k a le laži (eng. lie scale), sastavljene
od takvih pitanja. Kao koristan način za otkj-ivanje pitanja koja provociraju soci-
jaliio poželjne odgovora se pokazala promena uputstva ispitanicima. Recimo, u
jednoj prilici se ispitanicima može dati uputstvo da odgovore tako da bi scbe
predstavili u najboljem svetlu. Nakon toga im se može reći da odgovore onako
kakvi stvarno misle da jesu.
Nasuprot socijalno poželjnom odgovaranju, tzv. „dobrim” ispitanicima, po-
stoje ispitanici koji nastoje da se prikažu kao ,,zli”, pri čemu izbor jednog od ta
dva ponašanja može da zavisi od njihove procene lične koristi (npr. da se prikažu
neuračtmljivini). Takođe, postoje ,,da Ijudi”, ,,ne Ijudi” i ,,ne znam Ijudi”, već
prema tome šta preferiraju da zaokružuju. Prirnećeno je da takvi ispitanici, na pri-
mer, različito odgovaraju na istu tvrdnju ako je formulisana pot\'rdno ili odrečno.
Ovih nekoliko primera ima za cilj samo da otvori inaleni prozorčić ka broj-
nim izvorinia ugrožavanja validnosti merenja. Svaka istraživačeva greška dovodi
do ugrožavanja valjanosti. U takve greške spadaju različite vrste pristrasnosti,
predrasuda, nepoznavanja, istra živ a č k o g o č ek iv a n ja itd.
 3. Paradoks atenuadje

U psihologiji je odavno uočena jedna protivrečnost koja muči klasičnu

teoriju testa. Ta protivrečnost se sastoji u tome što visokopouzdani testovi (po
metodi inteme konzistencije) teže da imaju nižu kriterijumsku valjanost. M emi
instrumenti koji poseduju visoku pouzdanost inteme konzistencije mogu da
nemaju dobru kiiterijumsku validnost, odnosno mogu da ne budu dobri prediktori
ponašanja. Ova protivrečnost se može statistički objasniti, ali je neprijatna kao
imanentan problem klasičnog modela merenja. Pored ove protivrečnosti, još neke
dnige protivrečnosti i kontradikcije postoje u klasičnom modelu (ovde smo, npr.,
spomenuli povezanost težine i diskriminativnosti stavki, koja produkuje izvestan
broj tih protivrečnosti).
Da bi se paradoks atenuacije rešio u praksi preporučuje se da se primenjuju
tzv. baterije instrumenala, u kojima pojedinačni instmmenti imaju visoku pouz-
danost, a svi zajedno i visoku validnost. To je na izvestan način blisko i zdravom
razumu - što više različitih informacija prikupimo o nekom predmetu merenja,
validniji će biti zaključci.

4. Kolika je validnost potrebna

Za razHku od pouzdanosti, valjanost se najčešće ne izražava jednim

koeficijentom. Jedini izuzetak je ki'iterijumska valjanost, gde se valjanost može
(ali ne uvek) iskazati koeficijentom korelacije izmedu instrunienta i kriterijuma.
Pošto je to uobičajeni koeficijent korelacije, i nema posebne interprctacije u
kontekstu valjanosti, prirodno je da on, kao prvo, mora biti statistički značajan,
odnosno još važnije, da mu interval poverenja leži što više iznad nule.
Za jednu od referentnih tačaka visine koeficijenta validnosti možemo uzeti
prosečnu korelaciju između testova opšte inteligencije (g faktora) i školskih
ocena, koja je jedna od najviših^° i obično se nalazi negde iznad 0,50^'. Sledeća

Viši koeficijenti valjanosti se mogu utvrditi u relkim poslovima koji su ,jcdiio-

faktorski”, odnosno u kojima uspch zavisi od jcdnog, ili malog broja faktora. Posebno
visoka validnost se može poslići kada tesl veoma liči na delatnost koju predviđa; npr. lesl
iz daktilografije za prijem daktilografkinja. U tom slučaju lestovi koji mere laj faktor mogu
da imaju koeficijenle validnosli preko 0,8.
” Inlcligencija je najbolji psihološki prediktor iispcha ii poslu. Ništa drugo, glcdano
u proseku, za sva zanimanja i za sve Ijiidc, ne može ni blizu lako da prcdviđa uspeh u poslu
kao što može inteligencija. Inleligencija jc, rccimo, najbolji prcdiktor uspeha u obrazovanju.
Dništveni istraživači u celom svctu, bez obzira iz koje su države, znaju da je obrazovanje
„univerzalni prcdiktor” svcga i svačega. Svuda u svelu obrazovanje korelira sa vcćinom
pojava koje se istražuju ii društvenim istraživanjima, pa čak i sa vrlo neočckivanim pojava-
ma. S obzirom da je obrazovanjc mnogo lakšc izmeriti nego inteligenciju, nije čudno što se
onda ono koristi kao univerzalni prediktor. Inače, navedcni koefieijent valjanosti potiče iz
Amerike, dok se kod nas mogu očckivati korclacije izmedu 0,30 i 0,40 između lQ -a i škol-
referentna tačka mogu biti rezultati novijih nieta-analiza po kojima opšta inteli-
gencija (g faktor) i specifične kognitivne sposobnosti imaju prosečne koeficijente
validnosti u opsegu 0,5 do 0,6 prema uspehu na poslu. Pri tome su koeficijenti
validnosti kognitivnih testova oko 0,58 za kompleksne poslove, a 0,23 za jedno-
stavne poslove. Sve u svemu, može se očekivati da inteligencija učestvuje u uspe-
hu u poshi sa 6 - 36% (Fajgelj, 2005).
Nekome ovi koeficijenti valjanosti mogu izgledati mali, ali treba imati na
umu da po Cohenovoj podeli korelacija iznad 0,24 spada u srednji, a iznad 0,37 u
visok efekt. „Svet rada” u većini zahteva nešto iznaprosečan intelektualni nivo
(po Catteliovoj proceni oko IQ = 108), tako da većina Ijudi, bez ikakve selekcije
može biti uspešna na većini poslova. Zatim, treba uzeti u obzir procenat Ijudi koji
uopšte uspevaju u tom poslu, bez obzira na selekciju i b) strogost selekcije,
odnosno koliki procenat najboljih na testu ćemo primiti (u žargonu je to: ,,gde će
se povući crta”). Ako je posao prosečno težak (procenat uspeha 50%) i ako
primenimo strogu selekciju, u spomenutom rasponu koeficijenata validnosti
možemo očekivati da će čak 70-85% Ijudi koje smo primili biti uspešni na tom
poslu (dakle, 20-35% više nego da smo ih primili nasumice).

skih ocena.
 V. S P R O V O Đ E N J E EM PIR IJSK IH
IS TR A ŽIV A N JA

A. Praktični problemi i moguća rešenja

Problema ii sprovođenju empirijskih istraživanja ima onoliko koliko ima

istraživanja, Nemoguće je napraviti recept za rešavanje svih istraživačkih proble-
ma. Svaki istraživač mora rešavati one probleme na koje nailazi, na način koji je
najbolji u datim uslovima.
Ipak, istraživač greši ako misli da je njegovo istraživanje prvo koje se srelo
sa nekim određenim problemoni. U zajednici istraživača i projektanata u celom
svetu postoji veoma mnogo duha i inspiracije kada se govori o problemima. Po-
znati su Marfijevi i mnogi drugi „zakoni” iz kojih se vidi da se svi susreću sa
siičnim problemima. Recimo, univerzahii problemi su ograničenost novca,
vremena i drugih resursa, pa je tako poznat sledeći „zakon”: „Nijedno istra.živanje
nije izvršeno u roku, sa sredstvima i sa rezultatima kako je predviđeno. Malo je
verovatno da će vaše biti prvo”.
U domenu društvenih istraživanja, takođe, postoje sistematizovana iskustva
0 najčešćim problemima i greškama i mogućnostima za njihovo otklanjanje.
Medutim, čak i u tako ograničenoj oblasti, kao što su istraživanja u naukama o
ponašanju, spisak mogućih problema i grešaka nije mali. Pored toga, nije moguće
napraviti celovit i jedinstven spisak rešenja za te probleme, jer raspoloživa
sredstva za rešavanje variraju od slučaja do slučaja.
Olakšavajuća okolnost je to što se, po logici stvari, sama metodologija
empirijskih istraživanja dobrim delom bazira na rešavanju problema koji su
uočeni u prethodnim istraživanjima. Svi opisani nacrti istraživanja i metode
prikupljanja podataka imaju za cilj da daju odgovor na iskušenja sa kojima su se
susreh prethodni istraživači. Zato se i u ovoj knjizi, u mnogim prethodnim i
narednim poglavljima govori upravo o tematici istraživačkih probiema i grešaka.
To se odnosi na poglavlja o validnosti, posebno o ugrožavanju validnosti, o istra-
živačkim greškama u okviru poglavlja o nacrtima istraživanja, o „etapi ispitanika”
i „etapi anketara” u poglavlju o uzorkovanju itd. U ovom poglavlju ćemo pome-
nuti samo neka konkretna pitanja koja mogu pomoći istraživaču da anticipira i
otkloni probleme.

1. Tehnički i organizadoni probiemi

Tehnički problemi su nezaobilazni kod eksperimentalnih istraživanja. Izvor

problema su uređaji koji se koriste za merenje, za snimanje ili za prezentiranje
draži. Kao prvo, ako se radi o složenim uređajima kao što su npr. poligrafi ili
računarski kontrohsani simulatori, društveni istraživač neće biti dovoljno obučen
za njihovu upotrebu. To se može rešiti ih detaljnom obukom ili angažovanjem
stručnjaka koji to znaju da rade. Vreme i troškove obuke ih troškove angažovanja
programera, snimatelja, laboranata i drugih treba predvideti u projektu is-
traživanja.
Jedna od zakonitosti eksperimentalnih istraživanja je da uvek nešto krene
naopako. Baterije će se isprazniti, trake će isteći, računar neće raditi, laborato-
rijski nalazi će imati greške itd.^^ Istraživač ne može nikad biti siguran da će sve
ići onako kako je zamislio. Treba imati u vidu da se eksperimenti po pravilu oba-
vljaju u realnom vremenu i da se ispitivanje često ne može ponoviti na istom
ispitaniku ili gnipi. Lako je zamisliti nervozu koja nastaje u takvim situacijama.
Jedino rešenje, iako nikad apsolutno, jeste da se sve procedure pripreme, testiraju,
provere i to pod svim uslovima.
Ovakvi tehnički problemi nisu svojstveni samo eksperimentalnim istraživa-
njima. Uredaji za snimanje (video i audio) se koriste i tokom posmatranja, fokus
grupa ili iiitei-vjua.
U eksperimentalnim istraživanjima se vrlo često ispituje da li neki agens
ima pozitivan efekat. Iz toga sledi da će eksperimentalna grupa imati korist od
eksperimenta (ako se pretpostavka potvrdi), a kontrolna neće. Ispitanici to znaju
ili osećaju, a to mogu da znaju i njihovi roditelji, nastavnici ili šefovi, Iz toga
mogu da proisteknu različiti pritisci na istraživača i na istraživanje, koji ugrožava-

Jedan naš psiholog je dobio napad kam enaububregu tokom eksperimcnla iz oblasti
crgonomije, pa je otišao po pomoć i kasnije u bolnicu, ostavivši ispilanika u laboratoriji.
ju validnost istraživanja, ali prouzorkujii i praktične probleme. Istraživači se u
tom slučaju dovijaju na različite načine, dajući kontrolnoj grupi placebo, ili nakon
završetka eksperimenta obećaju da će sprovesli tretman i na kontrolnoj grupi (v.
poglavlje o validnosti istraživanja).
U terenskim istraživanjima jedna faza može biti veoma komplikovana, čak
toliko da onemogući sprovodenje istraživanja u celini ili delomično. Radi se o
dobijanju saglasnosti od nadležnih pojedinaca ili ustanova. Kada se istraživanja
vrše u preduzećima, školama, zdravstvenim ustanovama, a pogotovo u vojsci ili
zatvorima, onda najčešće treba obezbediti niz saglasnosti, što formalnih, što
neformainih. Istraživač treba da ima na umu da od viših nivoa rukovodenja treba
da dobije saglasnost, a od nižih nivoa saradnju. Upravo to, saradnja, jeste ono što
je istraživaču najvažnije i što je najteže obezbediti.
Zbog malih fondova i kratkih rokova, istraživači posežu za raznim „krati-
cama” i „zaobilaznicama”. Umesto ekipe saradnika sa kojima se organizovano
sprovodi priprema i obuka i koji se uredno plaćaju, angažuju se prijatelji. Umesto
uredno dobijenih saglasnosti, takode se računa na prijatelje, koji na svoju ruku
obavljaju prikupljanje podataka. U tim okohiostima istraživač, kao primalac
usluge, ne usuduje se da od prijatelja zahteva da produ obuku i mora umnogome
da progleda kroz prste „metodologiji” koju oni primenjuju na terenu. Što je
najgore, ispitanici, čak i ako se radi o deci, po praviki uočavaju da procedura nije
čista i gube motivaciju za saradnju.

2. Problem i sa saradnicima

Kada se radi o terenskim istraživanjima, tehničkih uređaja je znatno manje,

ah je učesnika znatno više. Zato troškovi terenskih istraživanja mogu da budu
vrlo vehki, a pripreme dugotrajne.
Prilikom analize problema sa saradnicima i ispitanicima najviše ćemo vre-
mena posvetiti ankelnim istraživanjima. U tim istraživanjima se najdalje došlo sa
objektivnom anaiizom ovih problema. Osim toga, problemi koje imaju anketna
istraživanja sa saradnicima i ispitanicima su lako primenjivi na sve ostale tipove
istraživanja.
Uloga u pristrasnom uzorkovanju - Vrlo često se dešava da konačna faza
biranja uzorka u značajnoj meri zavisi od anketara. On mora poštovali niz uput-
stava koja se odnose na izbor kuća/stanova i članova domaćinstva. Postoje bar
dva problema sa kojima se sreće anketar u tom pogledu. Ako su uputstva
kvalitetna, ažuma i dobro prilagođena situaciji na terenu anketaru će biti lakše da
ih poštuje. Medutim, teško je predvidoti sve situacije na terenu i sva ona nepred-
videna, anegdotska, prijatna i neprijatna iskustva do kojih se dolazi tokom priku-
pljanja podataka na terenu. U svim nejasnim, dvosmisienim i nepredvidenim
siluacijama anketar mora pokazati ličnu inicijativu. Može konsultovati istraživa-
če, regionalne instruktore, ih druge anketare, ali će najčešće donositi odhiku sam.
To znači da može da bira one sagovoniike koji su mu zgodniji, čime uvodi grešku
pristrasnosti.
Drugi problem koji anketar obično mora da rešava na licu mesta je problem
neodgovora. Prilikom izbora osoba u uzorak, ne može se unapred znati da li će
one pristati na intervju, da li se nalaze na putu, da li su bolesne ili iiopšte ne
stanuju tii. Uobičajeno je da se u planu sistematskih slučajnih uzoraka predvidi
izvestan procenat „rezei-vi”, recimo oko 25-30%, koliko se neodgovora može
očekivati na osnovu svetskih iskustava za lično intervjuisanje. Kod višeetapnih
slučajnih uzoraka se takođe mora predvideti postupak za izbor sledeće zamene
ukoliko izabrana osoba nije raspoloživa. Međutim, ako se anketaru ostavi puna
sloboda on može olako prelaziti na zamene, čime će uzorak postati pristrasan.
Tcškoće u koinunikaciji - Ako se radi o istraživanju aktualnih i akutnih
društvenih tema, kao što su politički izbori, referendumi o raznim pitanjima i
svuda gde postoji polarizacija u društvu praćena tenzijama i sukobima, veoma je
važno (ali istovremeno i teško) da anketar ne iskazuje svoj stav. Ljudi mogu
iskazati svoj stav na različite načine, a da toga ne budu svesni.
Standardne teškoće koje anketar mora prevladati su kako da objasni da je
anketa anonimna, a da baš dotični ispitanik mora biti ispitan, pogotovo ako je
anketar imao ime i adresu ispitanika. Zatim, kada se ispituju neke vruće teme,
ispitanici nastoje da od anketara saznaju ,,za koga se to radi” i na osnovu toga
odlučuju da li će i kako će odgovarati. Dobar anketar mora znali kako da izbegne
iU ublaži problem koji može nastati ako ga ispitanik doživi kao pripadnika ,,su-
protnog tabora”.
lako je socijahiim veštinama anketara teško rukovali i upravljati, pogotovo
u kontekstu pojedinačnog istraživanja, za dobar utisak pred ispitanikom nije
nužno da se bude „socijahio vešt”, niti je to dovoljno. Anketar mora imati pošten
i savestan pristup prema poslu, lojahiost i dobru motivaciju. Ispitanici to ocenjuju
i prema tome se postavljaju.
K ako poboljšati rad sa ra d n ik a ? - Što je ekipa saradnika veća, više će va-
žiti pravilo da njihova saradnja i lojahiost zavise od dobre organizacije istraživa-
nja. Dobra organizacija u ovom kontekstu podrazurneva nekoliko osnovnih stvari.
• Upoznavanje sa ciljevima istraživanja, objašnjavanje njegovog značaja,
naglašavanje značaja rada svakog pojedinca i pogubnog uticaja koji mogu imate
greške. Treba koristiti sva sredstva da se saradnici zainteresuju i motivišu, u zavi-
snosti od njihovog profila i sastava. Upoznavanje sa istraživanjem će biti efekt-
nije ako ga obavi vođa projekta, odnosno istraživač koji jc najviši u hijerarhiji.
• Obuka istraživačkog osoblja je zajednički zadatak u mnogim vrstama istra-
živanja i metodama prikupljanja podataka. Tu spadaju intei-vjueri, anketari, mode-
ratori fokus grupa, analitičari sadržaja, posmatrači, ocenjivači, šifranti itd. Broj
ovog osoblja, pogotovo kod anketnih istraživanja može da bude prihčno veliki.
Svi oni moraju proći kvalitetnu, informativnu i organizovanu obuku i moraju
imali dobra i prcgledna uputstva, uredno odštampane upitnike ih protokole za
posmatranje, obezbeđen potrošni materijal...
 Saradnik-anketar morapoznavati principe naučnog empirijskog istraživanja
u opštem smislu, ukijučujući i logiku uzorkovanja. Praksa pokazuje da od njega
dobrim delom zavisi i koliko će imati odbijanja. Mora biti obučen za vođenje
intervjua, komunikaciju sa Ijudima, mora znati kako da se predstavi, kako da
objasni ciljeve istraživanja, kako da objasni pitanje anonimnosti (posebno ako
traži odredenu osobu po imenu i prezimenu) itd.
• Od velike je važnosti i opšta organizacija istraživanja, posebno rada sa
anketarima, način njihovog plaćanja, kao i njihovog opšteg odnosa prerna kon-
kretnom istraživanju. Ne može se, recimo, očekivati mnogo ako se anketaru
donese paket od 100 upitnika i saopšti da bi trebalo ispitati 100 učenika srednjih
škola. Uputstva anketarima trebaju biti pismena i detaljna. Opšte je pravilo da
istraživač mora što više odluka doneti sam, ,,u kancelariji”. Mora anticipirati pro-
bleme, a za sve nejasne situacije m orajasno i precizno defmisati put za rešavanje
i na osnovu toga napisati uputstva. Ako anketar vidi da se u planiranje i realiza-
ciju istraživanja uložilo mnogo truda i stručnosti, on će biti motivisan da i sam
tako postupa.
Sve saradnike obično treba snabdeti kratkim i jasnim uputstvima koja će im
uvek biti pri ruci. Takode, treba predvideti i omogućiti kanale za konsultacije sa
istraživačem ukoliko na terenu nešto krene pogrešno. Što su memi instrumenti
koji se koriste, na primer upitnici, kompleksniji i duži, to obuka i uputstva moraju
biti obimniji. Isto tako, saradnici moraju imati uverljiva identifikaciona doku-
menta i ovlašćenja.
Saradnici će svaki korak istraživanja u kome oni učestvuju i koji mogu da
vide procenjivati, čak i nehotiee, i na osnovu toga graditi svoj odnos prema
njcmu. Analogno čuvenom zapažanju da jc „čovck onoliko racionalan koliko je
racionahia organizacija”, rad saradnika će biti onoliko dobar koliko je dobra
organizacija istraživanja.
• Nagradivanje i potkrepljenje mora biti odgovarajuće za uloženi trud i rad.
Dobro plaćanje je vrlo efikasan način obezbeđivanja dobrog rada anketara i
drugih saradnika. Budžeti istraživanja su po pravilu tužno maleni, a troškovi
terenskih istraživanja ogromni. Zato se štedi na svakom koraku, uključujući i
honorare za saradnike. Medutim, tu treba biti oprezan, jer loše prikupljeni podaci
ne vrede ništa, pa su zapravo svi novci koji su potrošeni na loše podatke - bačeni
novci. Kod nas treba računati sa naknadom anketaru od 2~3€ po upitniku, u zavi-
snosti od dužine upitnika, udaljenosti ispitanika i dr. Važno je i pitanje pravedne
naknade putnih i drugih troškova.
Ako istraživački fondovi ne dozvoljavaju pravedno plaćanje, uvek treba
razmotriti mogućnosti nematerijalnih stimulacija. Saradnici su često studenti ili
članovi naučnih ili nastavnih kolektiva. Njima može biti potkrepljujuće da uopšte
učestvuju u nekom istraživanju ako je ono značajno ili se poklapa sa njihovim
interesovanjem. Posebno će potkrepljujuća biti niogućnost da učestvuju kao
koautori u pisanju istraživačkih izveštaja. Često će mogućnost da koriste podatke
biti dovoljna nagrada. Ako ekipa saradnika nije iz tog kruga, može biti motivišuće
ako se zahvalnica sa spiskom imena javno objavi. Takode, potkrcpljcnjc se može
postići već u tački jedan. Recimo, roditelji dece narkomana će verovatno rado
pomoći u istraživanju narkomanije u njihovoj zajednici.
0 Kontrola rada mora biti sprovedena od samog početka i mora biti jasna i
transparentna, To se može postići na različite načine. Svi učesnici moraju da
napišu izveštaje o radu i za svakoga se mora precizno evidentirati šta je radio i
koliko je radio. Ako se radi o anketnom istraživanju, nije isto ispitati 20 ispitanika
u jednom gradskom bloku i 20 ispitanika u raštrkanim zaseocima. Nakon zavr-
šenog prikupljanja podataka oni se na ovaj ili onaj način uvek moraju pregledati
1 prečistiti. Tom prilikom se može obaviti i kontrola rada saradnika.
Kao u svakom poslu, kvalitet rada anketara i drugih saradnika koji rade na
terenu mora se vrlo slriktno kontrolisati. Treba pregledati sve upitnike, evidentira-
ti urednost popunjavanja, broj neodgovorenih pitanja (stopu „neodgovora”), da li
su svi upitnici popunjeni istim rukopisom (jer, ako nisu, anketar ih je davao
ispitanicima da sami popunjavaju, ili je angažovao neobučene prijatelje da mu
pomognu) itd. Obično se insistira (recimo, od strane naručioca istraživanja) da se
na jednom uzorku ispitanika proveri da K je anketar stvamo dolazio i da li je
posao obavio uredno. Ova provera se može vršiti tako što će se anketaru naložiti
da popiše adrese na kojima je anketirao. Na osnovu spiska istraživači mogu
poslati pisma tim domaćinstvima, ili mogu naći telefonske brojeve kako bi
direktno proverili rad anketara (važno je da postupak budc takav da ne kompro-
mitiije institut anonimonosti ankete). U poglavlju o neposrednom posmatranju
opisan je postupak saradnje i obuke posmatrača.

3. Problemi sa ispitanicima

Pored ekipe saradnika, kao učesnike istraživanja Ireba posmatrati i ispita-

nike. Kod velikih terenskih istraživanja uzorci ispitanika mogu biti toliko veliki
da ćc se istraživač osetili potpuno bespomoćnim u pogledu mogućnosti njihovog
motivisanja za saradnju. Međutim, praktično isti principi koje smo gore naveli
kao elemente rada sa saradnicima važe i za rad sa ispitanicima.
P roblem neodgovora. - Problem neodgovora je posebno važan u anketnim
istraživanjima i sam za sebe je predmet mnogih istraživanja. Iskazuje se procentu-
alno, kao sto p a n e o d g o v o ra (engl. nonresponse rate), ili suprotno sto p a o d g o v o ra
(engl. response rate). Pod pojmom neodgovora se mogu podrazumevati različite
stvari. Prvo i osnovno značcnje je kada se u procenat neodgovaranja uračunavaju
svi slučajevi neostvarenog intervjua ili nepopunjenog upitnika zbog: a) o d ln ja n ja
sa ra d n je (v. kasnije) i b) n e m o g u ć n o s ti k o n ta k ta usled odsustvovanja, bolesti,
jezičke barijere, gluvoće itd.
Ako je procenat uspešnosti, odnosno procenat obavljenih intervjua sa oso-
bama koje su planirane da uđu u uzorak 70% ili više, anketar može biti zadovo-
Ijan jer se uklopio u svetske stope odgovora. Postoje, medutim, nesporazumi oko
prikazivanja procenta neodgovora. Treba se držati striktne defmicije da je stopa
neodgovora [(broj Ijudi kojima je pristupljeno) - (broj Ijudi koji su popunili upit-
 nik)] / (broj Ijudi kojima je pristupljeno) x 100. Na primer, ako su anketari dobili
500 upitnika i vratili 400, onda je stopa neodgovora: (500 - 400)/500x 100=20%.
Cesto se koristi i stopa odgovora, koja bi u ovom primeru prosto bila 400/
500x100=80%. Iz stope neodgovora znamo da je realizovani uzorak (v.) za 20%
manji odpianiranog i još se može sumnjati da je pristrasan.
Istraživač ima dve mogućnosti u pogledu stope neodgovora: a) može nasto-
jati da je smanji što više i b) može predvideti rezerve. U planu slučajnih uzoraka
(v.) se mora predvideti onoliko „rezervi” koliko se neodgovora očekuje. Naravno,
nije lako predvideti kolika će biti stopa neodgovora u konkretnom istraživanju. A
0 tome kako se stopa smanjuje govori se na više mesta u ovoj knjizi. lako ovde
prvenstveno opisujemo situaciju ličnog intei-vjuisanja, sve isto važi i za slanje
upitnika poštom ili nekom drugom telmologijom.
Kod kvotnih uzoraka (v.) anketari uvek mogu da popune kvote, jedino što
su možda morali razgovarati sa 40 Ijudi da bi dobili pristanak od njih 20. Dakle,
kod kvotnog biranja se ne spremaju rezerve, ali anketari moraju zapisati sa koliko
Ijudi su pokušali razgovor. Ako su pokušali sa 40 da bi popunili 20 upitnika,
stopa neodgovora je 50%.
Kada je uzorak napravljen prostim slučajnim biranjcm ili sistematskim
slučajnim biranjem, odnosno kada anketar dolazi na vrata sa imenom i prezime-
nom odredene osobe, proeenat odbijanja je kod nas manji nego kada anketari na
licu mesta biraju nekoga od članova domaćinstva. U prvom slučaju procenat
odbijanja se može očekivati u okviru 6-15% , a u drugom slučaju 12-25%.
Naravno, ove cifre su samo okvime, jer odbijanje zavisi od nmogih stvari, npr.:
• csetljivost teme koja se istražuje;
• uverijivost uslova anonimnosti, što je povezano sa prethodnim
pitanjem;
• obučenost i karakteristike anketara;
• ugled i status ustanove koju anketari predstavljaju;
• struktura stanovništva (starosna, obrazovna, nacionalna itd.)...
Trend smanjivanja stope odgovora u SAD postoji od pedesetih godina XX
veka. Pad je posebno ubrzan nakon masovnog uvodenja telefonskih anketa. Istra-
živanja koja su se bavila ovim problemom ne daju sasvim jednake podatke, ali se
situacija ocenjuje nekad kao „opadanje”, a nckad kao „survavanje”. Na primer, u
jednom standardnom telefonskom istraživanju, koje se redovno sprovodi, regi-
strovano je da je broj potrebnih poziva da bi se obavio jedan intervju 1979.
godine bio 3,9, a 1996. 7,9.
Kod nas su registrovani procenti neodgovora od čak 50%. To znači da je
anketar uspeo da ispita tek svakog dnigog odabranog čiana populacije. Ovako
visoki proeenti neodgovora su uobičajeni u telefonskim anketama, a posebno u
poštanskim anketania (i kod nas i u svetu). Poznato je da usmeravanje anketara
direktno na odredenu osobu povećava šansu odgovora, a da se verovatnoća
saradnje smanjuje što je kontakt sa ispitanikom indirektniji. Kod nas je možda ta
pojava izraženija ncgo u drugim zemljama. U telefonskim anketama je pristup
indirektan, je r anketar nije neposredno prisutan, pa je očigledno stepen socijalnog
pritiska na ispitanika manji. Ispitanik se oseća manje obavezan da izađe u susret
anketam.
Pojava neodgovora, posebno zbog odbijanja saradnje, je stalna i dosledna i
uobičajeno je da varira u rasponu od 5 do 50% u zavisnosti od toga da li se inter-
vjuiše licem u lice ili preko telefona. Nažalost, slično anketarima, sami istraživači
izbegavaju da se suoče sa tom pojavom, posebno ako je u njihovom istraživanju
vrlo izražena. Kada uvidi da je stopa neodgovora bila velika, istraživač je u
dilemi za koje rešenje da se opredeli; da teško prikupljene podatke baci, da
pristiipi komplikovanim analizama, ponderisanjima ili dopunskom prikupljanju
podataka da bi uzorak usaglasio sa populacijom, ili da zanemari problem. Zbog
svega toga, p o datak o stopi neodgovora (ili stopi odgovora) u anketnom istra-
živanju je od prvorazrednog značaja.
U literaturi se mogu naći veoma kompleksni načini analize neodgovora i
poredenja sa „odgovorom”, kako bi se utvrdilo da li u neodgovaranju postoji
sistematičnost i da li se osobe koje jesu i koje nisu odgovorile sistematski
razlikuju.
O dbijanjc sarad n je kao uzrok neodgovora - Reč je o odbijanju da se
učestvuje u istraživanju, tj. da se pristane na intervju, da se popuni anketa poslata
poštom itd, Odbijanje saradnje se može podeliti u više aspekata; odlučno odbija-
nje razgovora u pi"vom kontaktu, posredno odbijanje kroz „izvrdavanje”, odlaga-
nje razgovora (npr. nisam kod kuće) i druge vidove izbegavanja. U širem smislu,
kao odbiianje se može tretirati i prekidanje intervjua ili upitnika nakon što je već
počeo, pa i neodgovorena pojedinačna pitanja. Medutim, ova zadnja dva slučaja
se češće podvode pod rubriku ispuštenih vrednosti.
Koji su problemi vezani za pojavu odbijanja saradnje? Za istraživača je
najvažniji problem taj što može da sumnja da odbijanje nije bilo slučajno i da je
dovelo do p ristrasnog uzorkovanja. U zavisnosti od predmeta istraživanja i niza
drugih okolnosti, Ijudi koji odbijaju saradnju mogu pripadati jednoj istoj grupi
koja se od ostalih članova populacije sistematski razlikuje po nekim svojstvima.
Ako ispitanici odbijaju saradnju nakon što shvate šla je predmet istraživanja, ili
nakon što to zaključe iz pitanja koja im anketar postavlja, onda postoji dobra
šansa da neka svojstva ispitanika koreliraju sa pojavom koja se ispituje. Zbog
toga, činjenica da nismo prikupili podatke od takvih Ijudi dovodi do pristrasnosti
uzorka.
Na primer, ako se istražuje verska ili nacionahia tolerancija i ako je anketar
student (mlada osoba iz grada) koji se predstavio da radi za „Udruženje za pomi-
renje”, velika je šansa da Ijudi sa najviše izraženom netolerancijom neće želeti da
razgovaraju sa njime (neće ni sačekati da „vide kalcva su pitanja”). Dobiće se
procenat odbijanja od npr. 20%, a podaci će vrlo verovatno ukazivati da nema
raširene netolerancije. Medutim, taj realizovani uzorak, bez obzira kako detaljno
bio planiran, odnosno bez obzira koliko je ,jednakih verovatnoća” bilo ugrađeno
u plan za izbor jedinica posmatranja, nije reprezentativan.
 Sledeći problem je što procenat odbijanja (neodgovora) nije uvek lako
utvrditi. Anketari iz raznih razloga mogu da izbegavaju da daju tačne podatke o
odbijanju, pogotovo ako ga ima mnogo. Iskusni anketari shvataju da je odbijanje
dovelo do pristrasnosti i mogu da se boje da „im neće biti plaćeno”, ili da će imati
problema sa objašnjavanjem razloga za tu pojavu. Ako im se, opet, plaća za svaki
kontakt sa ispitanicima, a ne samo za intervjue koji su obavljeni do kraja, onda će
biti „široke ruke” u prijavljivanju odbijanja.

N eostvarivanje kontakta kao izvor neodgovora-N eodgovaranje kojeje

rezultat nemogućnosti nalaženja ispitanika ili razgovora s njim može imati dva
osnovna izvora. Prvi potiče od grešaka u uzorkovanju, kao što su npr. neažumi
spiskovi i evidencije. Dnigi izvor čini nedostupnost ispitanika po bilo kom
osnovu. Na primer, ispitanici „na koje je pala kocka” nisu bili kod kuće ili nisu u
tom trenutku bili u mogućnosti da razgovaraju.
Prvi izvor je opasan, teško utvrdljiv i teško otklonjiv. Drugi izvor izaziva
niz praktičnih problema, pre svega to što anketari moraju nekoliko puta da dolaze
da bi obavili posao. Obično se u uputstvu anketarima odredi minimalni broj
koliko puta su obavezni da traže osobu predviđenu za ispitivanje. Taj broj se
obično kreće od 2 do 4 puta, a anketari sami odlučuju o tome da li će pokušavati
i češće. Problem je, naime, kod kvotnih uzoraka što se može desiti da nedostaje
upravo osoba određenih osobina, na primer starija visokoobrazovana žena, pa je
važno kako za anketare, tako i za istraživača da ona bude ispitana.
U telefonskim anketama, broj ponovnih poziva na koje je anketar obavezan
niora biti znatno veći, jer su tu uključeni problemi kao što su zauzeta linija ili
trenutno odsustvovanje. Zato se kod telefonskih anketa minimalni broj ponovnih
pokušaja na koje je anketar obavezan mora odrediti na 4 ili više. Telefonske
ankete se mogu suočiti sa problemom jezičke barijere ih slabog sluha ispitanika.
Naravno, u većini slučajeva se intervju obavlja u prvom ili najviše drugom
pokušaju. Samo u malom procentu slučajeva potrebno je da se ispilanik posećuje
više puta i može se desiti da oko jednog čoveka anketar potroši više vremena
nego za sve ostale.

K ako poboljšati sa rad n ju isp ilan ik a?- Delotovorno je upoznavanje

ispitanika sa istraživačkom ekipom, obraćanje šefa projekta, tumačenje značaja
projekta (užeg i širedruštvenog). Kao i kod saradnika, za ispitanike važi da će biti
onoliko motivisani za saradnju koliko ocene da je istraživač uložio truda u
istraživanje. Ako dobiju neuredne i ružne upitnike, ako su anketari neobučeni ili
aljkavi (na primer, ako anketar ki'ši vlastita pravila, pa nagovara ispitanika da
odgovara o ki'em sini, iako mu je ovaj rekao da ga ne koristi), ako tokom diskusi-
je u fokus grupi stalno ulazi snimatelj i nervozno proverava kameru - teško je
zahtevati od ispitanika da odvoje svoje slobodno vreme i pažljivo saraduju.
Ako se ispitivanje vrši na radnim mestima ispitanika, u ustanovama, korisno
je da rukovodioci tih ustanova neposredno infomrišu zaposlene o tome da će biti
sprovedeno istraživanje i da im predstave istraživače. To je bolje nego da
istraživači i saradnici sami idu po kancelarijama ili učionicama i iznova objašnja-
vaju šta rade i zašto rade. Nažalost, u kolektivima u kojima su međuljudski odnosi
loši, preporuka rukovodioca može biti više štetna nego korisna. U takvim kolekti-
vima je svaka saradnja vrlo neizvesna i svako istraživanje teško i nezahvalno,
osim ako se ne bavi upravo problemom ili uticajem loših odnosa.
Priprema ispitanika, tako što će istraživanje biti prethodno najavljeno, može
biti od koristi u svakom lipu istraživanja. Najava se može obaviti lično, putem
pisma, preko medija itd. i može se koristiti u svakom tipu ankete. Postoje podaci
da su u anketnim istraživanjima bila korisna pisma koja su slata ispitanicima
neposredno pred istraživanje. U pism im aje najavljeno istraživanje, opisani njego-
vi osnovi ciljevi i predstavjena institucija koja ga sprovodi. Pisma ne treba s!ad
mnogo ranije jer onda nisu efikasna, treba ih dobro sročiti, poželjno je da budu
personalizovana, potpisana, uredna i lepa, a pokazala su se nešto bolja nego što su
bile dopisnice. Medutim, slanje pisama povećava troškove istraživanja.
Istraživači su pokazah puno inventivnosti u smišljanju načina da povećaju
stopu odgovora. Recimo, slali su novac u kovertama sa upitnikom kao nadoknadu
za uloženi trud, slali su spremne, adresirane i markirane koverte za povratak (što
se danas smatra osnovnom pristojnošću), slah su upitnik više puta i konačno,
hčno su intervjuisah shičajan uzorak ispitanika koji nisu vratih upitnik da bi
proučili u čemu se oni razhkuju od ispitanika koji jesu vratih. Stopa vraćanja se
može povećati i ako upitnik ima hčnu notu (ako se direktno obraća ispitaniku),
ako je tematika zanimljiva za ispitanika, ih ako se ispitanik nekako poistovećuje
sa organizacijom koja vrši anketiranje ih sa istraživačem.
Kad god ispitanici sami popunjavaju upitnik (kao na primer u poštanskim
anketama), upitnici moraju biti uredni, pregledni, cstetski i funkcionahio na
visini. Današnja tehnologija stonog izdavaštva dovela je do toga da nema izvinje-
nja za neuredne upitnike u kojima, recimo, nije ostavljeno dovoljno mesta za
upisivanje odgovora. Ako se istraživanje sprovodi sa takvim sohdnim i profesio-
nainini pristupom, onda se time šalje signal svim ostahm učcsnicima, posebno
ispitanicima, da učeslvuju u ozbiljnom i odgovomom poshi.
Pravilno odabrani, obučeni i motivisani saradnici, posebno oni koji dolaze
u neposredni kontakt sa ispitanikom, su stub za ostvarivanje dobre saradnje sa
ispitanicima. Postoje podaci da su se sa trostruko manjini uzorkom dobijah jed-
nako dobri rezuhati, ah sa dobrim anketarima. Kontrolaje vrlo važna reč u svakoj
delatnosti, pa i u svim fazama istraživanja, a posebno u radu saradničke službe.
Malerijahio i ncmaterijahio potkrepijivanje ispitanika.- Ispitanici se
trebaju stinudisati bilo materijahio bilo nematerijalno. Pod materijalnim stimuhsa-
njem podrazumevamo izvesnu novčanu nadoknadu koju ispitanici dobijaju
direktno tokom istraživanja (pokazalo se da novac koji ispitanici dobiju ranije ih
kasnije nije dovoljno delotvoran). Kod nas nije praksa da se ispitanici plaćaju jer
budžeti istraživanja jedva pokrivaju materijalne troškove, ah plaćanje može biti
vj'lo efikasno. „Plata” ispitanika nije vehka, više je važan njen simbohčki značaj
nego iznos. U SAD se daje do 5$ za učestvovanje u anketi, što bi kod nas bilo
analogno (u trenutku pisanja ovog teksta) surni od oko 2€ za prosečan standardi-
zovani intervju. Neka praktična iskustva kazuju da kod nas (u ovom trenutku)
 ukupni troškovi anketnog istraživanja sprovedenog na teritoriji Srbije i Cme
Gore, putem standardizovanog intervjua (upitnika), iznose 5 -1 0€ po upitniku.
Može se lako zamisliti koliko bi poskupljenje bilo ako bi se troškovi još opterctili
plaćanjem respondenata.
U skičaju poštanskih anketa, jedna meta-analiza sprovedena na 38 istraživa-
nja pokazala je da je stopa neodgovora bila smanjcna za 19,1% sa novčanim, a
7,9% sa nenovčanim potkrepljenjem. Jedna druga meta-analiza otkrila je da
polkrepljenje od 25 centi povećava stopu odgovora za 16%, a potkrepljenje od
jednog dolara povećava stopu odgovora za 31%.
Nematerijalno, tačnije nenovčano potkrcpjjenje može obuhvatati paketiće
kafe, olovke, priveske za ključeve i druge sličnc poklone. Ako se anketa sprovodi
pošlanski, ispitanike treba osloboditi plaćanja poštarine i maksimalno im olakšati
slanje popunjenih upitnika (slanje je maksimahio hiko ako se koristi CSAQ
tehnika, v.).
Markctinške agencije organizuju nagradne igre za učesnike istraživanja, na
koje ima pravo svako ko korektno popuni upitnik.
Medutim, u nekim populacijama i u nekim okolnostima vrlo delotvome
mogu biti potpuno nematerijalne stimulacije. Reeimo, kod ispitivanja dece može
biti dovoljno da im se privuče (i održi) pažnja, a sasvim dovoljan insentiv mogu
biti bombone i slične sitnice. U staračkim domovima može biti dobrodošlo svako
razbijanje ncprijatno monotone svakodnevnice, a istraživači će biti upravo to. S
druge stranc, ispitivanje organizovanog kriminala, homoscksualizma i sličnih
pojava u zatvorima može biti veoma teško, bcz obzira što su dobijene sve saglas-
nosti, od ministarstva do uprave zatvora. Možc sc računati na strogu i snažnu
zatvorsku ncformalnu društvcnu strukturu. u kom smislu će pomoći saglasnost
nekog od voda zatvorenika, čiji pristanak se mora dobiti neformalno i koji će
svoju odluku prcneti nefomialnim kanalima ili tako što će lično pristati da bude
intervjuisan.
Kao i saradnici, ispitanici mogu takodc biti zaintcresovani za rezultate istra-
živanja. Ponckad oni sami traže da im se pošalju nahizi. Ako istraživač oceni da
to može poboljšati motivaciju ispitanika, svakako može obećati (i obećanjc mora
ispuniti, kako ne bi napravio problem sledećem istraživaču) da će im rezultate
staviti na raspologanje.
Ipak. nc treba se bczrezervno oslanjati na „nematerijahiu stimulaciju”.
Rečenice kao što su: „Molim Vas da mi, u ime nauke, pomognetc oko prikuplja-
nja podalaka za diplomski rad i odgovorite na ovaj upitnik” u razvijenim zemlja-
ma dokazano nc smanjuju stopu neodgovora, a slično će sve više važiti i kod nas.
Ako se već pišu takve rečenice, onda može biti od koristi da one izgledaju perso-
nalizovano; npr. da budu napisane rukom i dircktno na ime ispitanika.
U ranijim poghivljima je već istaknut značaj dobrih uputstava za ispitanike.
Ako je kontakt sa ispitanicima direktan, kao kod intervjua, fokus grupa, ličnog
ankctiranja, psihološkog testiranja i sh, onda im istraživači mogu usmeno dati sva
potrebna objašnjcnja. Mcdutim, vrlo je loša praksa da sc sastavljanje uputstva
prcpusti anketarima i intervjucrima. Ona moraju biti priprcmljena i odštampana i
u toj doslovnoj formi pročitana ispitanicima. Ako to nije slučaj, onda se može
desiti da različiti ispitanici dobiju različite informacije, a manje vešti anketari se
mogu uplesti u nepotrebna objašnjavanja i prepričavanja „svojim rečima”. Ako se
radi o istraživanju koje koristi upitnike sa samoadministriranjem, onda uputstva,
sa svini informacijama (i onima navedenim u tački 1), moraju biti priložena uz
upitnik.

B. Etička pitanja

Druga polovina XX veka, nakon Drugog svetskog rata i rasističkih traumi

koje je on naneo, bila je obeležena ponekad frenetičnim insistiranjem na moralno-
sti nauke. Analiza pokazuje da su ne-empirijski i anti-empirijski naučni pravci
posebno rigorozni u pogledu etičkih zahteva, koji vrhunac dostižu u stavu da je
osnovni zadatak naukc da budc morahia. Mi čvrsto stojimo na stanovištu da jc
osnovni zadatak naukc istina.
Kao ihistracija insistiranja na morahiosti može se navesti primcr psihologije
u kojoj jc skoro čitav XX vck bio obeležen debatama o morahiim pitanjima psiho-
loškog testiranja (Fajgelj, 2005). Danas jc ta oblast vcč priHčno apsolvirana, ah se
psihološki ctički kodeksi ipak razHkuju od države do države, što govori o tome da
„postoji mnogo morala...” . Kod nas je Društvo psihologa Srbije 2002. godine
donelo ctički kodeks psihologa, a vrlo je poznat i ctički kodeks Američke psiho-
loške asocijacijc (APA).
Postoje dvc osnovne grupe morahiih pitanja koja se postavljaju u istraživa-
nju. Jcdna se odnosi na fer, pošten i moralan odnos prcma istraživanju samom, a
druga na moralan odnos prema objektima istraživanja (Ijudima i životinjania).

1. Moralan odnos prema istraživanju

Postoje brojne sugcstije i profesionahii „ctički kodeksi” koji regulišu moral-

nost istraživačkog postupka. Shaughncssy i sar. (2000) navode da istraživač ima
sledećc morahie odgovornosti:
• tragati za znanjem,
• sprovoditi istraživanje na kompetcntan način,
• izvcštavati o rezuhatima tačno,
• upravljati raspoloživim resursima pošteno,
• pravično priznavati, u naučnim saopštenjima, doprinos koji su učesnici
učinih svojim idejama, vremenom i trudom,
• razmotriti društvene posledicc svakog istraživačkog poduhvata i
 • javiio govoriti o društvenim aspektima naučriog znanja i stručnosti.
Uobičajenoje da se postavlja i pitanje etičnosti odnosa prema laičkoj, struč-
noj i naučnoj javnosti, U tom smisiu se napre imaju u vidufa h ifika ti iplagijati (v.
glavu 0 pisanju). Falsifikuju se podaci, obično sa ciljem dokazivanja vlastitih
liipoteza i teorija. Plagiraju se tuđi radovi i podmeću kao svoji. Plagijat nije lako
otkriti, ili se otkriva tek posle nekog vremena. Neki plagijati nastaju tako da se
autori nekritički oduševe i povedu za idejom nekog dnigog autora, obično nekoga
ko osniva svoj pravac u nauci ili posebnu školu. Takvi autori su onda skloni da
prepričavaju stavove svoga učitelja. Na granici plagijata su i radovi koji se sastoje
od citiranja dnigili autora, makar ti citati bili uredno naznačeni (stavljanjem u
navodnike). Plagiranje je obično i formaino regulisano bilo kioz zakone, bilo kroz
pravila, propise i etičke kodekse. Mcdutim, zbog teškoća dokazivanja i osetljivo-
sti materije, plagijati se retko dokazuju na sudu, osim ako autorska prava plagira-
nog rada nisu zaštićena, ili nisu pokrenute privatne tužbe. Sa sudskom zaštitom
od falsifikata stvari stoje još teže, osim ako, na primer, na taj način nisu iznesene
uvrede na nečiji račun, u koni slučaju se opet može pokrenuti privatna tužba. Sve
u svemu, glavni oslonac borbe protiv ovakvih neetičnih postupaka je stalno
negovanje javnog mnjenja istraživača i njihovo obučavanje.
Međiitim, ne čine sanio falsifikati i plagijati neetičan odnos prema javnosti.
Tu treba ubrojati i „širenje govora mržnje”, nctolerantnost i uvredljivost prema
oponentima, pristrasnost, navijanje, omalovažavanje na nacionalnoj, verskoj,
rasnoj ili bilokojoj drugoj osnovi, ismejavanje i sve dnige vrste nekuhure, neuku-
sa i prcterivanja. Ovi aspelđi istraživačke ctike se odnose na sadržaj, ali i na način
i stil pisanja naučnih i stručnih radova, o čemu će biti reči u odgovarajućem po-
giaviju. Kulturan stil pisanja se u Američkoj psihološkoj asocijaciji smatrajednim
od dva stuba dobrog stila pisanja i nazivaju ga osetljivošću - sensitivit)>. Izveštaji
izempirijskih istraživanja su manje podložni nekultiu-nom stilu pisanja nego eseji,
naracije, rasprave, traktati, analize, proniknuća i polemike, ali to ne znači da su
pošteđeni toga.

2. Moralan odnos prema ispitanicima

U istraživanjima ponašanja ispitanici mogu dospeti u dvc osnovne vrste

nevolja:
• mentalni ili emocionalni stres i
• obmanjivanje.
U poglavlju 0 Milgramovom ekspcrimentu opisan je stres (ma šta ta reč
značila) koji su ispitanici prctrpeli misleći da nanose bol g. Valasu. Da ispitanici
ne bi i kasnije ostali u uverenju da su postupali okiutno Milgram je organizovao
izlazne intervjue.
Poznatoje istraživanje Schachtera koji je ispitanicima saopštio da će tokom
eksperimenta primiti vrlo jake električne šokove. Oni ih stvarno nikad nisu primi-
 li je r je Schachter ispitivao nešto drugo. Interesovalo ga je, naime, njihovo pona-
šanje dok, anksiozni, čekaju u čekaonici. Na primer, ispitanici su pokazivali želju
za zbližavanjem sa drugiui osobama.
Tokoni vrlo čestih ispitivanja samopoštovanja ispitanicima se obično daje
lažna informacija o tome da su vrlo loše uradili neki zadatak, ili da su na testu
ličnosti dobili vrlo negativne ocene, sa ciljem da bi se ispitale promene u
samopoštovanju.
Obmanjivanje je pogrešno informisanje ili neinformisanje ispitanika o tome
šta se ispituje, šta će im se desiti, šta je stvarna priroda dogadaja u kojima
učestvuju i, naročito, šta je njihova stvarna uloga. Poznat je primer istraživanja
sociologa Lauda Humphreysa koji je kiišom posmatrao situacije u kafani kada su
stariji Ijudi za novac dobijali oraini seks od mladića. On je onda zapisivao
registarske tablice tih starijih Ijudi i preko prijatelja u policiji saznavao njihovu
adresu. Konačno bi odlazio kod njih kući i objašnjavao im o čemu se radi i tražio
da pristanu na intervju. Na taj način su prikupljeni značajni podaci o homo-
seksualnom ponašanju, inače teško dostupni, ali je, po nekima, količina obmane
bila prevelika. U Milgramovoni eksperimentu je takode postojala obmana, kao i u
mnogim drugim istraživanjima, bilo eksperimentalnog, bilo neeksperimentalnog
tipa. U anketnim istraživanjima, na primer, koja su skoro svakodnevna, ne obja-
šnjava še ispitanicima koji su sve ciljevi istraživanja. A prilično je uobičajeno da
ispitanici iz postavljcnih pitanja nastoje da zaključe ,,za koga se radi” ili šta se
traži (jer se očigledno osećaju nedovoljno informisanim).
Bilo je autora koji su smatrali da nikakvo obmanjivanje ispitanika nije
poželjno jer je nepošteno, jer šteti ispitanicima, a šteti i samoj profesiji. No, danas
preovladava stav da navedni ekstremni prirneri nisu rcprezentativni za istraživanje
ponašanja u celini. Osim toga, istraživanja koja su bila posvećena temi obmanji-
vanja ukazala su da ispitanici ne negoduju zbog obmanjivanja. Naprotiv, studenti
koji su najčešći ispitanici, nalaze da su takva istraživanja zabavna i zanimljiva.
Sve ukazuje na to da ne trcba biti licemeran i naivno humanističan: socijal-
na istraživanja ne m ogii b itip o tp u n o p o š te n a p r e m a isp ita n iku z h o g toga šta „sv a
k o r is t" ide istra živa ču . Ispitanici, čak i ako im ime postane poznato (kao što su
Frojdova Ana O i Mali Hans, Votsonov Mali Albert, Lurijin S itd.), oni sami ne
iskuse nikakvo dobro od istraživanja, možda čak i štetu, za razliku od istraživača
koji objavljuju radove, stiču karijeru, a poneki i zaraduju.
Ipak, svaki istraživač mora da osluškuje svoj kategorički imperativ i nastoji
da izbegne neželjene posledice po bilo kog od učesnika u istraživanju. U daljeni
tekstu opisaćemo nekc od koraka za koje se danas smatra da su obavezni.
 b. A n a liz a g u b ita k a i d o b ita k a

Radi se o onome što se u egleskoj literaturi naziva c o sl/b e n e fit ili risk /b en e -
f i t analizoni. To znači da istraživač mora prvo da oceni r iz ik k o ] i postoji za ispita-
nike. Rizik se obično posmatra ki'oz mogućnost: fiiičke povrede, društvene
povrede ili mentalnog ili emocionalnog stresa. Rizik od fizičke povrede nije
veliki u istraživanju ponašanja, ali kad god se primeiijuju neki tretmani koji bi
mogli dovesti do fizičkih oštećenja treba učiniti sve da do njih ne dode.
Pod društvenim povredama misli se prvenstveno na neprijatnosti koje ispi-
tanik može doživeti u grupnim istraživanjima, kada njegove osobine ili postupci,
izazvani istraživanjem, postanu dostupni drugim članovima grupe. Poznat je
primer Aschovih eksperimenata sa konformizmom (str. 205) u kojima sii se
subjekti mogli osećati prilično obnikanim zbog promene mišljenja i prihvatanja
mišljenja drugih.
Psihološka povređenost nastaje kod ispitanika vrlo često upravo zbog toga
što su obmanuti, aU i kad nisu, uslovi istraživanja mogu, sami po sebi, predstav-
Ijati stresnu situaciju. Recimo, ispitanici moraju istraživaču saopštavati neke
intimne pojedinosti o sebi iU moraju učestvovati u kognitivnom testiranju koje
zahteva koncetraciju i napor. Još je teža situacija sa eksperimentahiim istraživa-
njima u kojima se ispitanicima preti elektrošokovima, ih se pušta dim u prostoriju
da bi sc ispitalo ponašanje u hitnim situaeijama.
Prilikom analize rizika treba biti realan. Kao što kaže svakodnevna pamet,
život je vrlo rizična pojava, sam po sebi. Pažljiva analiza moralne odgovornosti
istraživača je pokazala da treba oduzeti onaj nivo rizika koji bi svaki ispitanik
imao u svakodnevnom životu. Taj rizik se naziva m in im a ln im rizikom . Istraživa-
nje ima minimahii rizik kada on nije veći nego što ga nosi sam život. Na primer,
opasnost da ispitanik koji je srčairi bolesnik doživi srčani napad, ili da dobije
alergiju ako je alergičan, ili da bumo reaguje na intervju ili psihološko testiranje
ako je inače depresivan spadaju u minimahii rizik istraživanja, jer ta oštećenja
ispitanik može doživeti i u redovnom životu.
Tačno je da svako ispitivanjc i testiranje predstavljamaltretiranje ispitanika,
ali pravo je pitanje da li je ono veće nego što ga imaju učenici i studenti svaki
dan. Dakle, ne može se od istraživača tražiti da obezbede ispitanicima veći mir i
spokoj nego što ga imaju u svakodnevnom životu.
Nakon analize rizika po ispitanike, treba evaluirati dobitak koji donose
nalazi istraživanja. Radi se o jednostavnom pitanju da li se istraživanje uopšte
isplati. Dobici se mogu odnositi na same ispitanike: bolji nastavni programi, bolja
mogućnost lečenja, bolje usluge, bolja zaštita itd. Ovi dobici su posebno izraženi
u primenjcnim istraživanjima (v.). Ipak, ne treba preterivati i zahtevati od društve-
nih istraživanja mnogo takvih direktnih dobitaka. Mnoga istraživanja ponašanja
su stekla svctsku slavu samo po tome što su p rik u p ila re le v a n tn e p o d a tk e . Dakle,
pri ocenjivanju dobitaka treba stvari postaviti u širi kontekst, društveni, a pre
svega naučni. U naučnom kontekstu se na prvom mestu inora oeeniti validnost
istraživanja - da li istraživanje ima izgleda da postigne svoj cilj. Ako to nije
slučaj, onda se ono sigurno ne isplati. Rosenthal je to formulisao na sledeći način:
„Ako je sve ostalo jednako, istraživanje koje ima veći naučni kvalitet lakše je
etički branjivo.”
Ako je nacrt istraživanja validan, a projekt dobar, može se postaviti pitanje
o tome da li istraživanje ima društvenu relevantnost. Društvena relevantnost se
može ispreplesti sa ličnom. Na primer, edukativna istraživanja (v.) imaju ogroman
značaj za pojedinca, ali imaju i društveni značaj u tonie što se održava ili poveća-
va stručna i naučna kadrovska baza. Dakle, u tom smislu, edukativna istraživanja,
sama po sebi, predstavljaju izvestan dobitak.
Kada se evaiuiraju dobici, onda ih treba uporediti sa gubicima. Nažalost, taj
učeni te m in , costAienefit analiza, u ovoj oblasti neće biti od velike pomoći
istraživačima. Najviše što ovde možemo je da im ukažemo da taj korak treba
obaviti, ali kako...? Odgovor na to pitanje je prepušten njima. Na primer, jedna
dobro poznata dilema nastaje u slučaju kada su jednako veliki društveni i naučni
dobitak, kao i individualni gubitak. Kada je dozvoljeno žrtvovati interese pojedin-
ca zbog širih interesa? Ta dilema je konstantna i svako se sa njom suočava u
svakodnevnom životu. Zato se može reći da izvesna doza suprotstavljenosti
pojedinačnih i opštih interesa spada u minimalni rizik istraživanja.

c. Informiscma saglasnost

Temeljno pravilo istraživanja je da isp ita n ic i m o ra ju p r is ta ti d obrovoljno,

na o sn o v u re le v a n tn ih in fo rm a c ija o to m e šta se o d njih tra ži (engl. informed con-
sent). Na prvi pogled može izgledati da je to pravilo nespomo. Međutim, postoje
razni istraživački zahtevi i okolnosti koji su suprotstavljeni informisanoj dobro-
voljnosti. Najčešća takva situacija je ona kada se ispitanicima daju pogrešne
informacije o cilju istraživanja i o njihovim zadaeima, jer bi poznavanje ciljeva
ometalo spontano ponašanje ispitanika. Recimo, u poznatom eksperimentu Stan-
Ieya Milgrama ispitanici nisu znali da je „učenik” s druge strane stola glumac i da
on stvamo ne prima strujne udare. Čak bi se moglo reći da su, kada je reč o soci-
jalnim istraživanjima, isp ita n ic i u v e k m a n je ili više o b m a n u ti u p o g le d u o n o g a šta
se stv a rn o ispituje.
Pitanje dobrovoljnosti može biti postavljeno posebno drastično u eksperi-
mentalnim istraživanjima u kojima se ispitanicima daju psihoaktivne supstance,
ili im se ne da da spavaju, ih se izgladnjuju, ili bivaju izloženi sukobima u instrui-
ranoj gmpi. Zanimljivo je da čak i ako istraživač otvoreno objasni sve postupke
koji će biti primcnjeni, on ne mora znati koje će posledice izazvati ti postupci kod
ispitanika. Setimo se Zimbardovog eksperimenta u kojem on nije znao da će
„čuvari” postati brutalni prema „zatvorenicima”. Isto tako, ispitanik može dati
pristanak da bude izgladnjivan, ali se može desiti da od gladi dobije vrlo bume
halucinacije.
U literaturi se često naglašava značaj mogućnosti da ispitanik može da
p r e k in e s v o je u č ešče kad god želi. U tom smislu, on ne sme biti izložen nikakvom
pritisku i do kraja istraživanja mora biti sačuvan princip dobrovoljnosti. Na pravo
da prekinu niora biti ukazano ispitanicima odmah na početku. Ovaj princip se
ponekad kosi sa plaćanjem dobrovoljaca, a posebno kod najčešćih ispitanika,
studenata, kada im se učestvovanje u ispitivanjima boduje kao predispitna obave-
za. Postoji mišijenje da treba izbegavati plaćanje ispitanika, nego koristiti isklju-
čivo dobrovoljce. Plaćanje može biti vrsta pritiska i može predstavljati neželjenu
varijablu.

d. Izlazni iniervju

Pod izlaznim intervjuom podrazumevamo ono što se u engleskoj literaturi

naziva debriefmg. Etički problem namernog obmanjivanja ispitanika se može
rešiti tako što će se ispitanicima naknadno objasniti o čemu se radilo i zašto je
bilo potrebno da ne znaju šta se ispitivalo. Treba im objasniti i razloge zašto je
bilo važno da ne budu unapred upoznati. Ako su tokom istraživanja bili izloženi
stresu, izlazni intervju će omogućiti da se smire i da odu bez loših misli. U
poglavlju 0 Miigramovom eksperimentu izneseni su osnovni rezultati izlaznog
intervjua koji je on sprovodio.
Može se preporučiti da u svakom istraživanju istraživač razmisli o učtivom
i prijateljskom rastanku sa ispitanicima. Ako samo popunjavaju anketni upitnik
može im se zahvaHti na saradnji, ili im se može objasniti na šta su se pitanja
odnosila. Ako su učestvovali u nekom testiranju biće zahvalni ako im se predoče
individualni razultati u odnosu na norme, ili u odnosu na druge ispitanike. To se
može obaviti poštom, elektronskom poštom ili tako što će se organizovati pri-
godni susreti.
Izlazni intervju može imati i značajnu edukativnu ulogu. Čak i ako su ispi-
tanici laici, mogu im biti zanimljivi nalazi istraživanja, njegovi ciljevi, naučna
metodologija i način razmišljanja. Imajući u vidu da su dobrovoljci često studenti,
a još češće upravo studenti iz domena nauka o ponašanju, njima će učestvovanje
u jednom istraživanju i upoznavanje sa rezultatima imati status vežbi.
Posebno je korisno ako se izlazni intervju iskoristi za prikupljanje iskustava
ispitanika, ili čak završnog merenja kontrolnih varijabli. Recimo, važno je da se
zna da li su ispitanici doživeli svoju ulogu ili eksperimentalni tretman onako kako
je to istraživač zamišljao. U istraživanjil tzv. incidentalnog učenja ispitanici se
obično uvode u neku prostoriju ili suočavaju sa nekim osobama, da bi kasnije
morali da opišu nameštaj u prostoriji ili odeću u koju su osobe bile obučene. To-
kom izlaznog intervjua ih treba pitati da li su bili svesni da im se ispituje memori-
ja i da li su bili posebno zbunjeni, više nego što bi bili u svakodnevnom životu.
Ovako upotrebljen, izlazni intervju predstavlja doprinos validnosti istraživanja.
Obrazovani ispitanici, posebno studenti, koji su već pročitali knjigu kao što
je ova, mogu da shvate šta se istražuje čak i ako istraživači nastoje da ih obmanu.
Takođe, istraživanja su pokazala da oni najčešće znaju da neće bhi upoznati sa
bitnim detaljima i da je važno za istraživanje da oni to ne znaju. Zbog toga će se
osećati neprijatno da tokom izlaznog intervjua kažu kako su znali o čeniu se
radilo ili da su obmanuti, jer će imati utisak da time ugrožavaju validnost istraži-
vanja. To treba imati u vidu tokom izlaznog intervjua, i ako treba, ukazati ispita-
nicima da će veća šteta biti nanesena ako to ne kažu.
Izlazni inten'ju nije moguće sprovesti u svim istraživanjima. Poznata su
istraživanja ponašanja prolaznika kada se susretnu sa osobom u nevolji kao što je
žena kojoj je pukla guma na automobilu, ili osoba koja leži na putu pored
slupanog automobila. Ako su „prolaznici” vozači automobila, one koji nisu stali
da pomognu biće teško zaustaviti da bi im se objasnilo da je ncsreća bila
inscenirana. Oni su bili ispitanici a da to nisu znali, a neki su mogli imati osećaj
krivice što nisu stali.

e. D a li p ostoje alternative obmanjivanju

Da bi se izbeglo obmanjivanje ispitanika, predloženoje nekoliko procedura;

igranje uloga, simulirane studije i „pošteni” ekspcrimenti.
U proceduri igranja uloga ispitanicima se detaljno objašnjavaju ciljevi
eksperimenta, pa se od njih traži da odigraju ulogu onako kako bi oni sami postu-
pili u takvoj situaciji, ili kako bi postupili dnigi Ijudi koji bi se našli u takvoj
situaciji. Rezultati nisu opravdaii ovakvu proceduru. Osnovni problcm je verovat-
no u tomc što se ispitanici stvarno ne nalaze u eksperimentalnoj situaciju, nego
samo igraju ulogu kao da jesu.
Simulacione studije su slične igranju uloga jer se ispitanici stavljaju u odre-
denu postavku, simuliranu situaciju koja se od njih ne krije. Zimbardov eksperi-
ment je, ustvari, bio simulaciona studija a njegovi rezultati ukazuju na polencijal
simulacionih studija da se otkloni stres kod ispitanika.
„Poštcni” eksperimenti se zasnivaju na tome da se istraživanje sprovede bez
obmanjivanja ispitanika, ali i bez igranja uloga. Cozby (2003) navodi ckspcriment
sa ugovaranjem sastanaka preko računara. Studentima i studentkinjama je obja-
šnjeno šta su ciljevi istraživanja i šta je njihov zadatak. Morali su da, putem
računara, ugovore sastanak sa kolegom drugog pola. Nakon sastanka izmereno je
koliko su se svideli jedan drugom. Utvrđeno je da su slični parovi imah više
naklonosti nego različiti.
U terenskim istraživanjima obmanjivanje ima generalno manju ulogu nego
u laboratorijskim. U njima je, takođe, lakše smanjiti kohčinu obmanjivanja a da
ciljevi istraživanja ne budu ugroženi. AnaHze objavljenih radova su pokazale da
je upotreba obmanjivanja u najvećoj nieri prisutna u socijalnopsihološkim
istraživanjima. Takođe, pokazalo se da današnja istraživanja imaju nešto manje
obmanjivanja ncgo ona pre 30 ih 40 godina, ah se to smanjenje niože objasniti
promenom u tematici radova, jednako kao povcćanom osetljivošću istraživača
prema etičkim pitanjima.
Imajući sve to u vidu, moglo bi se zaključiti da se u i izvesnim slučajevima
može biti potpuno otvoren prema ispitanicima, ali da je u istraživanju ponašanja
izvesna doza obmanjivanja neizbežna. Međutim, nam erno obmanjivanje
ispitanika u istraživanjima u kojima je poznato đa eksperimentalni tretman može
ostaviti trajne posledice na njili nije opravdano ni pod kojim uslovima. Poznato je
da će, ako se dobro plaća, biti moguće naći dobrovoljce koji će pristati čak i na
velike zdravstvene rizike. S druge strane, poznati su slučajevi kada su naučnici,
zbog novca ili ideologije, prihvatili da ispitanike obmanjuju iako su znali da će
biti izloženi znatnom riziku.

f. Ostala morabia pitanja

Postoje još neka moralna pitanja u odnosu na postupanje sa ispitanicima. Tu

je, pre svega, pitanje privatnosti i tajnosti podataka. Istraživači često dolaze u
posed podataka o seksualnom ponašanju, zloupotrebi psihoaktivnib sups!anci7
preljubama, nasilju u porodici i sl. Treba paziti da takvi’podaci ne budu dostupni
trcćim licim.a. Najbolje je da se podaci ni na koji način ne identifikuju, čirne~še
obczbeduje da se nikako ne mogu povezati sa određenom osobom. To je uobiča-
jeni način zaštite anonimnosti - jednostavno se od ispitanika ne uzimaju lični
podaci.
Međutim, vrlo čest slučaj je da se tokom istraživanja prikupija više različi-
tih podataka od ispitanika (recimo pretest i posttest). U lom slučaju potpima
anonimnost ne može postojatijerpodatke treba identifikovati kako bi se povezali.
U iongitudinalnim anketnim istraživanjima (v.) se to takode de.šava. Pošto se
danas obrada podataka vrši preko računara, onda istraživači, znajući atmosferu na
akadcmskim ustanovama, moraju znati da neko sa strane može namemo ili
ncnamerno imati uvid u podatke iz istraživanja.
Što se tiče privatnosti, problem je teško rešiv, jer mnoga istraživanja upravo
imaju za cilj izučavanje privatnog ponašanja. Cozby (2003) navodi primer istraži-
vanja uticaja „privalnogživotnog prostora” na ponašanje, specifično na fiziološke
potrebe kao što je mokrenje. U tom cilju posmatrani su studenti u fakuhetskom
WC-u i mereno je vreme koje je potrebno da osoba počne da mokri i vreme
koliko dugo mokri. Nezavisna varijabla je bila prisustvo druge osobe - saradnika
istraživača - i varirana je tako da on ne bude prisutan, da bude u susednom
pisoaru i da bude u udaljenom pisoaru. Blizina prisustva saradnika uticala je na
produžcnje vremena potrebnog da molirenje počne i na skraćivanje vrcmena
mokrenja. Istraživanje je krilikovano kao neetično jer je zadiralo u privatnost
studenata. Međutim, muškarci se u svakodnevnom životu suočavaju sa takvim
situacijama. Drugo, istraživači su izvršili pilot studiju, razgovarali su sa poten-
cijalnim učesnicima, a sproveli su i proceduru igranja uloga. Na osnovu toga su
zaključili da njihovo istraživanje ima minimalni rizik.
Postoji još i problem specijalnih populacija, kao što su hendikepirane
osobe, zatvorenici, bolesnici ili deca. U njihovom slučaju je dobrovoljnost uče-
stvovanja pod znakom pitanja, kao što je i pod znakom pitanja mogućnost infor-
misane saglasnosti. Osim toga, neke od tih populacija su posebno vulnerabilne,
što sve ukazuje da u njiiiovom slučaju etička pitanja imaju posebnu težinu.
Sve u svemu, treba računati na moralno suđenje istraživača koje on, kao
čovek, sigurno poseduje. Istraživači, u osnovi, znaju šta može da šteti
ispitanicima. Nažalost, isto tako je sigumo da su postojale i postoje raziičite
zloupotrcbe nauke, kao što su svesno i namerno nanošenja štete zdravlju i dobro-
biti ispitanika. U društvenim naukama nisu česta istraživanja koja nanose zdrav-
stvenu štetu ispitanicima, ali može postojati stres, uznemirenje i obmanjivanje.
Zato se danas poglavlje o etičkim pitanjima smatra obaveznim delom metodolo-
škili udžbcnika, jer u „istraživačkoj javnosti” treba učvršćivati stav da ispitanike
treba tretirati više kao saradnike, a manje kao alatke.

3. „Eksperim ent Milgram "

Nakon Drugog svetskog rata, posebno koncentracionih logora i Nirnber-

škog proccsa, ostalo je otvoreno pitanje da li su oni koji su izvršavah zločine biH
saučesnici ili su samo obavljali dužnost. U pozadini, u vazduhu je visilo i pitanje
da H je to bilo moguće samo kod Nemaca. Prvo pitanje je, zapravo, bilo uvek
aktuclno i ostaće takvo. Stan]ey Milgram je biojedan od onih koji su pokušali da
nadu odgovor. Svoje istraživanje je započeo na Univerzitctu Yale i sproveo ga u
periodu 1961-1963. godine.
Prikupio je 40 muškaraca tako što je objavio oglas u novinama u kojem je
tražio dobrovoljce za psihološki eksperiment, sa platom od 4,5 dolara po satu (to
jc onda vredelo znatno više ncgo danas). Odabrani dobrovoljci su bili različitih
uzrasta, obrazovanja i zanimanja.
Ekspcriment je obuhvatao tri osobe: „učenika”, „učitclja” i ckspcrimcnta-
tora. Pre početka sesije u prostoriju bi bili uvedcni ispitanik, koji jc bio naivni
subjekt, i saradnik eksperimentatora, predstavljcn kao Mr. Wallacc, koji je bio
studcnt ili glumac. Rečcno im je da izvlače papirić ko će biti učitelj a ko učenik.
Naravno, na oba papirića je pisalo „učitelj”. G. Valasu su onda stavljane elektro-
de na ručne zglobove, nakon što mu je koža premazana kremom „kako bi se
izbegli plikovi i opekotinc” . Posle toga su mu ruke vezivane za stolicu da ne bi
mogao izbegavati električnc šokove.
Ispitnicima, koji su to sve videli, objašnjeno je da učestvuju u eksperimentu
koji izučava delovanje kazne na učenje. Njihov zadatak je bio da prvo pročitaju
parove reči učeniku, zatim da pročitaju prvi član u paru, a učenik mora da kaže
koji je bio dnjgi član (taj metod ispitivanja učcnja je vrlo poznat u psihologiji).
Svaki put kad učenik pogreši, oni mu moraju pročitati tačan odgovor i dati
električni šok koji je za 15 volti jači od prethodnog.
Učenik je odvojen od učitelja staklenom pregradom, a ispred učitclja se
nalazio aparat sa nizom prekidača ispod kojih je stajala oznaka napona (od 15V
do 450V) kao i oznake kojc su išle od „laki šok”, preko ,,opasnost: teški šok” do
„XXX” za napone preko 430V. Pre početka, učitcljima je bio dcmonstriran „laki
šok”, koji je bio prilično neprijatan i rečeno im je da će šokovi koje g. Valas trpi
biti vrlo bolni, ali „neće izazvati trajno oštećenje tkiva”.
Nakon toga, eksperinicnt bi počinjao. G. Valas je sve više grešio, sve se
više žalio, vrištao, a nakon 300V je izgledao kao u agoniji, pa bi ponekad čak i
ućutao, ili bi odbijao da odgovara na dalja pitanja, tražio da izađe, i tvrdio da mu
nije rečeno da će tako izgledati.
Kada bi se učitelji žalili i želeli da prekinu, eksperimentator bi im prvo
rekao: „Molim Vas nastavite”, zatim „Eksperiment zahteva da nastavite”, pa
„Apsolutno je važno da nastavite” i na kraju: „Nemate izbora, morate nastaviti”.
U prvom eksperimentu (jer ih je Milgram više puta ponovio), niko od 40
ispitanika nije prekinuo eksperiment pre 300V. Od 40 ispitanika, njih 26 (65%) je
išlo sve do kraja, do 450V (ispod kojih je pisalo „XXX”, što je sugerisalo da su
iznad opasne granice).
M ilgramje bio zgranut. Anketirao je tri grupe Ijudi - odrasle članove sred-
nje klase, različitih zanimanja, studente i psihijatre - tako što im je ukratko opisao
eksperiment i pitao ih šta misle do koliko vohi će ići „učitelji”. U proseku, Ijudi
su tvrdili da je granica 145V. Skoro niko nije mislio da će neko ići do 450V.
Ispitani psihijatri (njih 40) ocenili su da će samo patološki shičajevi, njih ne više
od 1% ili 2% ići do kraja, da će svega oko 4% učitelja ići do 300V, dok će se
većina zaustaviti na 150V.
Posle toga, Milgram je ponovio eksperiment, varirajuću neke od uslova.
Eksperiment je u dužem vrcmenskom periodu ponavljan u Australiji, Južnoj
Africi i u evropskim zemljama. Blass je izveo meta-analitičku studiju na eksperi-
mentima sprovedenim u periodu od 1961 do 1985. Korelacija između godine
sprovodenja i stope poslušnosti nije bila značajna. Daćemo kratki rezime raznih
nalaza, tako što ćemo navcsti procenat ispitanika koji su „išli do kraja”, do 450V.

Odrasle žene 65%

Učenik je u istoj prostoriji 40%
„Blizina na dodir”, koja se sastojala u tome da učitelj drži pritisnutu 30%
ruku učenika na metalnoj ploči koja služi kao elektroda
Eksperimcntator je odsutan 22,5%
Rad u grupi učitelja, kada su ostali članovi prekinuli 10%
Rad u grupi učitelja, kada su ostali u nadređenoj ulozi 90,25%
Učitelju je rečeno da sam bira voltažu (a eksperimentator je 3%
odobravao svaki nivo)
Električne šokove je neposredno primenjivao saradnik 93%
eksperimentatora, a učitelj je samo pomagao
Nemačka 85%

Osim Milgrama, zgranuta je bila stručna i naučna javnost, a zatim i šira jav-
nost. „Vera u čoveka” je bila poljuljana. Ubrzo nakon toga stigle su i osude
Milgrama zbog neeličnosti njegovih eksperimenata jer su nanosili patnju učesni-
cima. Kao jedna od posledica iracionalnog odnosa prema nalazima ovog eksperi-
 menta je i to što se u literaturi nalaze različiti opisi i pođaci o eksperimentu, često
protivrečni i po pravilu usmereni ka izazivanju zgražavanja.
Milgram je uočio problcm sa obmanjivanjem učitelja pa je kasnije sa njima
obavljao izlazni intervju, kojom prilikom im je objasnio o čemu se radilo, pa je
čak i dovodio g. Valasa koji bi ispitanicinia potvrdio da je s njime sve u redu.
Ispitanicima je objašnjeno da je njihovo ponašanje bilo nonnalno i da su se tako
ponašali zbog socijalnog pritiska koji su trpeli. Pored toga, svim učesnicini. '
poslao osnovne nalaze iz istraživanja i kratak upitnik o tome šta mi.'^'-' n
istraživanju. Odgovori su pokazali da jc 84% bilo zadovoljno što je učestvoM :
74% ih je reklo da su imali koristi od njega, a samo 1% je reklo da im je žao što
su učestvovali. Psihijatri su intervjuisali učesnike godinu dana kasnije i nijedan
negativan efekt nije mogao biti utvrdcn.
M ilgram je čak snimao tok eksperimenta. Na filmovima se vidi da je većina
ispitanika negodovala, tražila da prekine, nudila da vrati novac, znojila se, ner-
vozno se smejala. Očigledno ih je njihova društvena uloga (bili su plaćeni) i
priznavanje uloge vode-autoriteta eksperimentatoru navodilo da nastavljaju
eksperirnent. Ispitanici su dali prednost osećanju za dništvenu hijerarhiju i organi-
zaciju nad saosećanjem za pojedinca, iako Milgramovi zapisnici jasno ukazuju da
je sa o s e ć a jn o st p o sto ja la . Evo Milgramovog opisa jednog slučaja.
Z a p a zio sa m zr e lo g i u ra v n o te ž e n o g p o s lo v n o g čoveka, k o ji j e ušao
n a sm ešen i sa m o p o u zd a n . N a k o n 2 0 m im ita p re tv o r io se u d rh ta v u i
m u c a v u o lu p in u k o ja s e u h rza n o b ližila n e rvn o m slom u. S ta ln o se
vuka o z a u h o i lo m io p rs te . U je d n o m trenutku, sta v io j e ša k u n a ćelo
i p ro š a p ta o : „ O B ože, d a j d a o v o p re sta n e A ip a k j e n a sta v lja o d a
re a g u je n a sv a k u r e č isira živ a ć a i bio j e p o slu ša n sv e do kraja.

Po epistemološkoj stmkturi, ovo istraživanje liči na eksperiment. Ono ima

jednu jasnu zavisnu varijabhi, a to je napon električnog šoka u voltima. Takođe,
kontroki neželjnih varijabli je bila visoka, kao u svakom laboratorijskom istraži-
vanju. Medutim, nije lako utvrditi da li je postojala manipulacija nekom varijab-
lom, i koja bi to varijabla mogla biti. U kasnijim replikacijama, varirani su različi-
ti uslovi, ali ne sistematski i ne po nacrtu randomizirane E i K grupe kako bi te
uslove mogli trctirati kao nezavisnu varijablu. Znamo, recimo, da blizina
ekspcrimentatora utiče na zavisnu varijablu, ali Milgram nije sproveo istraživanje
po nacrtu pre-posle, eksperimentalna-kontrolna grupa, kojim bi mogao kvantifi-
kovati i dokazati uticaj blizine eksperimentatora.
Jedina mogućnost je da se kao nezavisna varijabla uzme celokupna
situacija, tačnije socijalni pritisak, ili pritisak od strane autoriteta. No, u tom
shičaju, pošto nije postojala randomizirana kontrolna grupa, Milgramovo istraži-
vanje bi se moralo razvrstati kao nacrt bez kontrolne grupe i bez pretesta (v.), a to
smo ovde definisali kao pogrešan nacrt. U tom poglavlju smo, medutim, rekli da
se danas ni takva istraživanja ne odbacuju jer mogu pružiti relevantne podatke i
biti osnova za nova istraživanja. Milgramovo istraživanje je najbolji primer toga.
Videli smo, recimo, da je u kasnijim replikacijama istraživanja variran nivo
društvenog pritiska - odsustvo eksperimentatora, rad u grupi itd.

C. Primena računara u istraživanju

ponašanja

Generalno rečeno, ne postoji neka posebna oblast čovekove delatnosti koja

bi bila podložna primeni računara, za razliku od neke druge, koja ne bi. To isto
važi za istraživanje ponašanja. Ovde nećemo razmatrati primenu računara u
administrativnim, knjigovodstvenim i logističkim funkcijama koje postoje u
svakom istraživanju. Interesovaće nas samo ona primena koja se nalazi u „lancu
zaključivanja”. U tom smislu možemo reći da postoje dve osnovne oblasti prime-
ne računara u istraživanju ponašanja.
• Primena računara u sprovođenju istraživanja.
• Primena računara u naučnoj produkciji.
Kada je reč o primeni u toku istraživanja, računari se koriste u sp ro v o đ e n ju
eksperimenata u svim elementima. Na primer, eksperimentalni tretmani mogu biti
koncipirani tako da budu računarski upravljani. Na isti način može biti koncipi-
rano prikiipljanjepodataka i snimanje reakcija.
Računari se odavno koriste sa p r e z e n ta c iju n a jra zličitih d ra ži ispitanicima.
Počev od istraživanja elementamih kognitivnih procesa do anketnih istraživanja
(v. CADAC tehnike). U domenu psihološkog testiranja se sve više koriste zame-
njujući standardnu administraciju testova i, što je još značajnije, u okviru računar-
skog adaptivnog testiranja (v. KAT).
U poglavlju 0 neposrednom posmatranju pomenuti su računarski sistemi za
podršku posm atrajiju. Takođe, pokazano je kako u okviru anaUze sadržaja
računari imaju presudnu ulogu u a n a lizi tek siu a ln ih i n e te k s tu a ln ih p o r u k a . Ipak,
univerzalna primena računara u svim kvantitativnim istraživanjima, ali ne samo u
njima, je ona koja se odnosi na sta tis tič k u a n a liz u p o d a ta k a . Statistika se u istra-
živanjima koristi na kraju, nakon što se prikupe podaci i pre nego što se počne
pisati izveštaj. Zato se možda primena računara u oblasti statistike ne može
svrstati u sprovođenje istraživanja, ali se, sasvim sigurno, nalazi u „lancu zaklju-
čivanja”. U glavi o uzorkovanju je takođe pomenuta primena računara u svim
fazam aplaniranja i realizacije u zorka. Svuda gde se prenose, obrađuju ili čuvaju
infonnacije primena računara je neizbežna.
Pod naučnom produkcijom podrazumevamo kako same tekstove, tako i
saopštenja ili bilo koju drugu vrstu naučnih radova. Ako se, čisto pragmatički,
kao krajnji proizvod istraživanja uzme istraživački izveštaj, dakle naučni tekst,
onda bi upravo naučna produkcija bila osnovna oblast primene računara u istra-
živanju. Ovakav tretman naučne produkcije, kao profesionalne obaveze, a ne kao
stremljenja ka istini, izaziva nelagodnost kod mnogih autora. Oni se pitaju šta
treba da bude konačni rezultat naučnog istraživanja - istina ili članak.
Ipak, bez obzira da ii su naučni radovi rezultat stremljenja ka istini, ili
rezultat profesionalne obaveze, oni se mogu posmatrati potpuno pragmatično -
kao nešto što postoji i što mora da se piše. Dakle, bez obzira na informativnost,
tačnost ili stvaralaštvo njihovog sadržaja, naučni tekstovi su sredstvo komuni-
kacije, te se moraju pisati i moraju biti čitani.
Pomenute dve oblasti primene računara ipak ne iscrpljuju sav značaj i mesto
računara u naukama o ponašanju. Da h računari služe novim otkrićima, verifika-
ciji postojećih otkrića i objektivnoj deskripciji, ili su oni prosto alatke za pisanje
(eng. vvriters' tools). Da li je njihova primena samo tehnička u smiski zamene
ručnih procedura, rekli bismo kvantitativna, ih ona može postati „kvalitativna”,
tako da suštinski doprinosi kvalitetu naučnog rada. Podsetimo se stare kibernetske
teze 0 veštačkoj inteligenciji koja kaže da je budućnost računara u pojačavanju
čovekovih kognitivnih sposobnosti. Shodno takvom pristupu, računari služe kao
pojačivači u istraživačkom radu - od pripreme istraživanja, do pisanja izveštaja.

1. Unos podataka

Danas se analiza empirijskih podataka obavlja putem računara. Da bi se

podaci računarski analizirah moraju prvo biti učinjeni dostupnim računaru. Teško
je na jednostavan način definisati procedure koje treba obaviti na podacima da bi
oni bih dostupni računarskoj obradi. Na sreću, za potrebe ove knjige dovoljno je
reći da se podaci unose u računar. Istraživači lako razumeju da se unos obavlja
putem tastature, skenera ili nekog dnigog uređaja i da podaci stvamo „ulaze” u
računar.
Unos podataka u računar je jedan vrlo voluminozan, ekstenzivan i mučan
posao. Radi se o tome da se odgovori ispitanika, kao i bilo koji rezaltati merenja
ili posmatranja moraju preneti na medijum koji je dostupan računaui. Unos poda-
taka obuhvata, naravno, i unošenje tekstova za potrebe analize sadržaja, prekuca-
vanje zapisnika sa sesija fokus grupa ih zapisnika iz učesničkog posmatranja.
Sto se tiče obuhvata pisanog ili govornog jezika, rečeno je da postoji neko-
liko mogućnosti:
• prekucavanje zapisnika i drugih izvora teksta kao što su članci iz
novina, knjige i sL,
• prekucavanje audio i video snimaka sa sastanaka fokus grupa, radio i
tv emisija...,
• skeniranje i automatsko čitanje pisanih dokumenata iz pi"ve tačke,
• preuzimanje tekstova sa računarski kompatibilnih medijuma od redak-
cija ili autora tekstova i
• preuzimanje tekstova sa Intem eta (sa web prezentacija novinskih agen-
cija, pohtičkih stranaka i sL).
 Postoje i izvesne tehničke mogućnosti đa se koriste programi za prepo-
znavanje Ijudskog govora. Međutim, za sada ne postoji softver koji je operativan
za takvu primenu za naš jezik, a ni u tehničkom smislu prepoznavanje govora još
nije na potrebnoj visini. Isto tako, optičko čitanje teksta (engl. optical character
reading - OCR) još uvek vodi „mrtvu trku” sa dobrim daktilografom i uspešnost
mu najviše zavisi pd kvaliteta štampe teksta koji se skenira (i njegove grafičke
kompleksnosti). Efikasnost OCR-a bi se značajno popravila kada bismo imali
dobre programe za korekturu (eng. spell-checker) za naš jezik. Razvoj inforaia-
tike je vrlo brz u svim segementima, pa se stvar može uskoro promeniti nabolje u
toj oblasti, pogotovo zato što se slovenački i hrvatski jezik već nalaze na spisku
jezika koje „govore” neki'poznati programi za OCR (prvenstveno mislimo na
FineReader firme ABBYY).
Druga vrsta unosa podataka je ona koja se odnosi na istraživanja anketnog
tipa, psihološka testiranjanključujući testiranje znanja i druga slična istraživanja.
Karakteristično za ovu \>rstu unosa je da se uglavnom unose brojevi, iako to nije
nužno. Dakle, mogli bismo reći da je to unos podataka iz kvantitativnih istraži-
vanja, uključujući i kvanfjtativnu analizu sadržaja.
U prethodnom poglavlju smo nabrojali i ukratko opisali CADAC tehnike za
računarsko prikupljanje podataka. U tim tehnikama se unos podataka vrši ,,on
line”, dakle istovremeno sa trenutkom nastajanja podataka. Dakle, unos podataka
uvek postoji, je r rezultate merenja u našem svetu treba preneti u „svet računara”.
No, pošto u CADAC tehnil^ama istraživač ne mora predvideti posebne resurse sa
unos podataka, smatraćemo da klasični unos ne postoji.
,,Off line” unos podataka, koji se vrši nakon njihovog prikupljanja, može da
utiče na ispunjenje rokova i u tom smislu je posebno značajan kod predizbomih
anketa ih sličnih istraživanja čiji podaci moraju da budu dostupni odmah. Pored
toga, ta faza istraživanja može da bude i skupa ukoliko su uzorci objekata i
varijabli vehki i ukoliko postoji potreba za prethodnim šifriranjem (npr. otvorena
pitanja), transformacijom varijabli (izračunavanje indeksa) i sličnim manuelnim
operacijama. Unos podataka putem računara mora biti brz, jeftin i tačan.
Ručni unos se može potpuno izbeći ako se koristi neka CADAC tehnika. Za
to je potrebna samo jedna sitnica, a to je računar, prenosni računar, ili neki sličan
uredaj i to ne samo jedan, nego, u zavisnosti od tehnologije, mnogo njih. Ovo
rešenje je očigledno veoma skupo, iakb iskustva kažu da su troškovi veliki u
početku, a da se kasnijim uštedama oni mogu kompenzirati.
Optičko čitanje teksta je moguće primeniti i na upitnike i testove. Postoje
komercijalni programi koji se time bave i koji čak mogu da čitaju mčno pisane
brojeve. Jedan broj takvih programa (nude ih npr. kompanije Principia Products i
SPSS) mogu odmah ocenjivati testove, izvršavati elementame operacije na
podacima i sl. Međutim, da bi OCR na upitnicima bio uspešan, fonnat upitnika
mora biti apsolutno prilagođen za te namene. To znači da polja u kojima se
upisuju odgovori moraju biti grafički izdvojena, najbolje u zasebnim gmpama,
dovoljno velika itd. Presudno je, ipak, da takvi upitnici budu pravilno popunjava-
ni, što se najlakše postiže kada ih popunjava anketar.
 Kod anketnih istraživanja u kojima se upitnik šalje poštom, odnosno u
kojima upitnik popunjavaju sami ispitanici, teško je postići da popunjavanje bude
u skladu sa zahtevima OCR-a. cena koštanja istraživanja koje se obavlja na ovaj
način neće biti značajno manja, ali takva su istraživanja generahio ograničena
samo na pismenu populaciju, a u okviru nje se još očekuje tačno, jasno i pregled-
no zakruživanje odgovora kako bi obrasci bili pogodni za optičko čitanje doku-
menata. Istraživanja na našoj opštoj populaciji se ne mogu osloniti na to.
Naravno, unos podataka može biti potpuno izbegnut ukoliko se istraživanje
vrši putem Intemeta.
Ako se, na kraju, ipak radi ručni unos podataka, onda treba znati nekohko
stvari. Kao prvo, upitnici koji dolaze sa terena mogu sadržavati razhčite probleme
i nedostatke koji predstavljaju pravu moru za istraživače. Zbog toga se upitnici
koji dolaze direktno sa terena moraju tretirati kao sirov materijal koji mora proći
pripremne operacije. Koje su to operacije?
• Svi upitnici se pre unosa moraju pregledati.
Tom prilikom se mora utvrditi da li su kompletni. Mogući su svi oblici
nekompletnosti:
• nedostaju čitave strane (tokom štampanja ili povezivanja)
• nedostaju odgovori na neka pitanja, a na nekim pitanjima je
zaokruženo više odgovora
• nedostaju odgovori na važna pitanja. Poznat je primer sa polom
ispitanika koga, po uputstvu, obično popunjava sam anketar. Anke-
tari, kojima je taj podatak sasvim očigledan, često zaborave da zao-
kruže odgovor i kasnije se pol više ne može rekonstruisati (osim ako
u upitniku ne postoje neka diskriminativna pitanja kao što je
zanimanje = domaćica).
• Ako postoje otvorena pitanja, ona se moraju zatvoriti. Ova operacija je
posebno osetljiva jer zatvaranje pitanja ne može raditi bilo ko. Zatvaranje
pitanja je u suštini anahza sadržaja i danas se preporučuje da se za to kori-
ste računarski programi za analizu sadržaja. Prema tome, u ovoj operaciji
mora biti direktno angažovan sam istraživač.
• Ako se istraživač opredeli da ručno izvodi neke transformacije poda-
taka (iako je mnogo bolje da se to obavlja programski, tokom obrade),
onda je najprirodnije da se to obavi u ovoj fazi.
• Pregledom upitnika se vrši kontrola rada anketara, ako je anketiranje
vršeno lično. Tom prilikom se može kontrolisati da li je rukopis u svim
upitnicima isti ili različit (tj. da H je anketar sam radio ili je angažovao
neobučene prijatelje), da li su odgovori (stereo)tipski, da li ima previše
odgovora ,,ne znam” itd.
• Upitnici se numcrišu, upisuju se šifre punkta, odnosno naselja, upitnici
se evidentiraju i obave dnige administrativne operacije.
Sto se tiče samog unosa, tu postoje dve moguće strategije: unos sa šifrant-
skih listića i unos direktno sa upitnika. Unos sa šifrantskih listića podrazumeva da
mora prethoditi fa za šifriranja. Tokom šifriranja se svi odgovori iz upitnika
prenose u posebno pripremljene listiće - formulare. Nekada su se ti listići pravili
univerzalno, a danas je uobičajeno da se prave za svako istraživanje posebno.
Jedan primer mogućeg šifrantskog listića dat je na slici 11 (v. kasnije kodeks
šifara).
Naziv isttaživanja Slrana 1

1«: 2{

i
m: 71

3 5 ei 8; «i n
i i
11 12 13 14 16 1£ 17. 18| lOj 21
[ .......... . 1 i [

21 22 23 24 26 2ei 27:1 281 2fli 31

1 1 1

Sllka 11. Primer šifrantskog listića.

Šifriranje je na prvi pogled „dupli posao”, ali treba imati u vidu sledeće.
• Tokom šifriranja se obavljaju sve operacije od 1 do 6 koje smo gore
nabrojali.
• Unos podataka se može preklapati sa šifriranjem, jer može početi
odmah nakon što se šifrira pi-va količina upitnika.
• Unos podataka se obavlja maksimalnom brzinom, od otprilike 8000
znakova na sat, a i šifriranje ide vrlo brzo jer se šifranti „uhodaju” sa istim
upitnikom. Tako se obe aktivnosti, koje su obavezne prihkom unosa poda-
taka - kontrola i priprema upitnika i sam unos - obavljaju maksimalnom
mogućom brzinom.
• Postoje i druge prednosti unosa sa šifriranjem kao što su: bolja organi-
zacija, tajnost podataka, unaki'sna kontrola tačnosti i sl.
Unos podataka direktno iz upitnika ne zahteva prethodno šifriranje i karak-
terističan je za mala istraživanja, za istraživače početnike i onda kada se pokušava
uštedeti trud, novac i vreme. Naravno, to ne znači da se samo u tom slučaju pri-
menjuje unos iz upitnika. Ta strategija unosa je legitimna, ali kada se radi profe-
sionalno, ona pretpostavlja da se izvesni koraci moraju izvršiti kako bi se posao
obavio brzo i tačno.
 Kao prvo, treba podsetiti da se gore pobrojane operacije na upitnicima (1 do
6) moraju obaviti i da je sasvim prirodno da se one obave pre unosa. Dalje, da bi
sam unos bio brz i tačan, upitnici se moraju grafički tako urediti da budu pre-
gledni i laki za unos (zbijeni upitnici, sa naguranim i nedovoljno razdvojenim
odgovorima i odgovorima koji su razbacani svuda po strani značajno komplikuju
percepciju, zamaraju operatera i povećavaju greške).
Treba spomenuti i jedno međurešenje, a to su poznati upitnici ,,sa kući-
cama”. Upitnik se može tako grafički prelomiti da uz desnu ivicu ima kućice u
koje se šifriraju odgovori ispitanika. To rešenje je skoro potpuno identično unosu
sa šifrantskih listića, osim što se umesto listića koristi sam upitnik. Nedostatak
ovog rešenja je u tome što upitnici moraju biti znatno veći da bi se rešenje sa
kućicama moglo realizovati. Na velikim uzorcima nije svejedno da li će upitnik
imati 10 ili 20 strana jer to povećava troškove papira, štampanja i distribucije.
Ovakvi upitnici, ako su stvamo uredno izvedeni i šifrirani mogu se podvrći
optičkom čitanju.
Najbolje je da se sam unos podataka obavlja namenskim programom koji
tokom unosa vrši logičku kontrolu podataka i upozorava operatera na greške.
Reaino je očekivati da broj grešaka u unosu ne obuhvati više od 1% upitnika i to
sa jednom do dve greške u upitniku (kada se radi unos sa šifrantskih listića). Ako
to istraživaču nije dovoljno dobro, on može koristiti tzv. unos sa verifikacijom
kada se podaci dva puta unose u cilju otkrivanja grešaka. Namenski programi
obično imaju ugrađenu mogućnosti verifikacije” . Poznat je komercijalni paket za
unos podataka Blaise koji je prilagođen unosu direktno sa upilnika.
Inače, unos bez logičke kontrole, verifikacije i drugih pogodnosti koje nude
namenski programi za unos, može se obavljati direktno u statističkim paketima, u
programima za tabelarna izračunavanja kao što su Excel ili Quattro, pa čak i u
bilo kom editoru teksta ili tekst procesoru (ovi poslednji nisu pogodni kada je broj
varijabli veliki).

2. Kodeks šifara

Kodeks šifara, šifarnik, eng. codebook, ili prosto kodeks, je u svom izvor-
nom značenju dokument u kome je opisana struktura i sadržaj datoteke podataka
iz istraživanja. Pošto se obrada podataka vrši na računaru, kodeks predstavlja ono
što se u informatici naziva opisom sloga. Kodeks je neophodno sredstvo za komu-
nikaciju između istraživača i između istraživača i statističara. Shodno informati-
čkoj terminologiji, svi podaci jednog objekta istraživanja (recimo ispitanika)
organizovani su u jedan ili više slogova (eng. record). U informatici se pojedina-

Ovaj autor koristi zadnjih dvađeselak godiiia vlastiti pakct programa za unos
podataka. Programi su prilagođcni brzom i produklivnom unosu, dakle unosu sa šifrantskih
listića. To su DOS programi koji minimalno angažuju resurse računara pa su se mogli kori-
stiti na bilo kojoj klasi pcrsonalnih računara.
čni podaci u slogu nazivaju p o ljim a (eng. field), a u društveno-naučnoj statistici
v a rija b la m a .
Danas se zahteva da kodeks sadrži i dmge informacije o podacima, a ne
samo opis sloga. Sve više se koristi medunarodni standard opisan u D a ta D o c u -
m e n ia tio n In itia tiv e - D D l (http://www.icpsr.umich.edu/DDI), koji se, opet,
oslanja na poznati D n b lin C ore. DDI tretira kodeks kao m e ta p o d a tk e o istraživa-
nju (metapodaci su podaci o podacima). Osnovna ideja DDI je da podaci bez
valjane dokumentacije nemaju vrednost, dok dobra dokumentacija može, sama po
sebi, biti korisna za istraživanje (v. meta-analizu i sekundamu analizu)
Prema DDI, kodeks treba da sadrži sledeće osnovne celine:
• cpis dokumenta,
• opis istraživanja,
• opis datoteka podataka,
• opis varijabli i
• druge povezane materijale.
Opis dokumenta je „zaglavlje” kodeksa i treba da sadrži naslov, a može da
sadrži i druge podatke kao što su: autore, ustanove, adrese, URL adrese i sl. U
opisu istraživanja treba navesti: naziv istraživanja i istraživača, vreme istraživa-
nja, geografsku lokaciju, populaciju, uzorak i jedinice analize i posmatranja, kao
i način prikupljanja podataka (instrumente). Mogu biti važni i podaci o onome ko
je prikupljao podatke (ustanove i pojedinici), kratak opis projekta i metodološki
detalji.
Opis podataka, posebno opis varijabli, je najveći deo kodeksa. Potrebno je
detaljno opisati sve uključene varijable, nazive varijabli, njihovu prirodu, vred-
nosti, nazive vrednosli, lokaciju varijabli u okviru sloga (kolona i broj pozicija),
ispuštene vrednosti i drugo.
Šifrantski list koji je opisan u prcthodnom poglavlju nije ništa drugo do slog
podataka na papiru. Da bi se napravio šifrantski listić, da bi se podaci pravilno
uneli i kontrolisali, da bi se statistički obradili i, što je najvažnije, da bi mogli da
ih koriste i diTigi istraživači, čak i nakon mnogo godina, mora postojati dobar
kodeks. Po potrebi, kodeks šifara se može prevesti na neki od svetskih jezika i
može se slati svakom onom koji kasnije bude koristio podatke. Kodeks šifara je,
kako za samog istraživača, tako i za istraživački tim jedan vrlo pogodan doku-
ment u kome su objedinjeni svi podaci istraživanja, na jedinstven i prečišćen
način. Onoliko koliko dobar kodeks olakšava pripremu za unos podataka, obradu
podataka, interpretaciju rezultata obrade i naknadne analize nakon višegodišnje
pauze, toliko loš kodeks svim učesnicima otežava rad.
Osnovna jedinica kodeksa su v a rija b le . To čini značajnu razliku u odnosu
na upitnike i druge meme instnunente koji su orijentisani na pitanja, stavke ili
zadatke. Upitnici se prave tako da ih razumeju ispitanici, a kodekse treba da
razumeju statističari i istraživači. Prirodno je da kodeks fonnira istraživač sam,
jer jedino on ima pregled svih pitanja, njihovog smisla, otvorenih pitanja itd. Ko-
dcks može obuhvatati (i obično obuhvata) podatke iz više mernih instiiimenata.
 U nekim, vrlo retkim slučajevima, sam upitnik ili test mogu poslužiti kao
kodeks šifara. Po pravilu, međutim, upitnici a) ne sadrže sve podatke koji su
potrebni za opis sloga (jDogotovo ako se poštuju preporuke DDI), b) sadrže mnoge
druge, a nepotrebne podatke i c) nepregledni su za namenu unosa i obrade podata-
ka. Na primer, ako upitnik sadrži otvorena pitanja, ona se moraju prethodno
zatvoriti i tek tada su spreiTma za unos i obradu. Neka druga pitanja mogu biti
pogrešno formulisana, ili pogrešno odštampana, pa će ih istraživač izbaciti iz
dalje obrade. Osim pitanja iz upitnika, u fond varijabh mogu biti uključeni i drugi
raspoloživi podaci koji nisu sadržani u upitniku. Na primer, to može biti pripad-
nost nekoj grupi (recimo škoh). U istraživanju se podaci o objektima ne moraju
prikupljati samo jednim instrumentom, u jednom trcnutku, nego može postojati
više upitnika i testova, koji se daju u vremenskim razmacima (kao u longitu-
dinalnim istraživanjima).
Da bismo objasnih kako treba da izgleda najvažniji deo kodeksa, opis vari-
jabU, prikazah smo u tabeh isečak iz jednog mogućeg kodeksa. U prvoj koloni se
nalaze redni brojevi varijabh u istraživanju. Na primer, prva varijabla u ovom
kodeksu je redni broj upitnika/ispitanika, iz čega se vidi da varijable ne moraju
biti samo pitanja iz upitnika, nego i neki dodatni podaci koji se generišu u istraži-
vanju i koji mogu imati razhčite namene. Logika obrade podataka nalaže da se
svaki podatak koji se unosi na „magnetni medijum” tretira kao varijabla. Redni
broj ispitanikaje po pravihi nominahia varijabla, ah u izvesnim shičajevima može
biti i ordinalna.

Tabela 15. Primer kodeksa šitara

V arijab la P ilan jc K o lo n c/ T c k st M od alitcti
p o zicijc
1 1 -4 R. broj upilnilia 1 -1 5 0 0
2 1.1 5 Pol 1 -M
2 -Ž
3 1.2 6 -7 S taro st 1 8 -9 9
4 1.3 8 -9 Z a n im a n jc 1 -1 1 , šifrc iz u p itn ik a

85 64.1 96 D a li scb c snaalratc g u b itn ik o m p crio d a 1 - da

Iran/.icijc i p riv rc d n ih rc fo n n i? 2 - ne
3 - n c znam

101 80 1 1 1 -1 1 2 ŠLa sm atratc n a jv a ž n ijim pro b le m o m ii ovoj 1 - ne znam

d ržav i? 2 - 2 5 , šifrc iz L istc 1.

U drugoj koloni se unosi identifikacija varijable - npr. redni broj pitanja iz

upitnika. U trećoj koloni se unose kolone, ih pozicije koje u slogu, odnosno
šifrantskom hstiću zauzima dotična varijabla. Ova koiona, odnosno identifikacija
varijable preko pozicija u slogu, nije uvek potrebna jer je neke tehnoiogije unosa
podataka ne zahtevaju (neophodna je kad se podaci unose u tzv. ASCII fonnatu).
Kada se za varijable precizno defmišu kolone u slogu, onda se u šifrantskom
listiću podaci po pravilu unose desno poravnati, s leve strane popunjeni n u lam a-
npr. redni broj „1” bi se unosio kao „0001”, a zanimanje „5” kao „05”.
Pravilnoje da svaka varijabla nosi jedan red u kodeksu. Pogrešno je štedeti
na trudu i navoditi pitanja u rasponu, npr.: 21.1-21.10, bez obzira što se pitanja
istraživaču čine slična, ili što imaju iste alternative. Vrlo česta greška istraživača
početnika je da previde da su u upitniku dozvolili više odgovora na jedno pitanje
- u tom slučaju svaki odgovor postaje posebna varijabla i unosi se u zaseban red
u kodeksu. Slično tome, ako pitanje podrazumeva da ispitanik rangira neke
objekte, npr. koji od proizvoda najviše voli, a koji najmanje, jedan red kodeksa,
tj. varijablu treba predvideti za svaki rang. Ponavljamo; kodeks sadrži podatke o
varijablama.
U četvrtoj koloni se nalazi tekst pitanja, odnosno detaljan opis varijable.
Konačno, u zadnjoj koloni se navodi sadržaj varijable, tj. nabrajaju se sve vred-
nosti koje varijabla u tom istraživanju može poprimiti. U žargonu se to naziva
rasponom varijable. S obzirom da praksa nalaže da se odgovori ispitanika kodira-
ju, i to najbolje numerički, vrlo je korisno da kodirane vrednosti nominalnih i ev.
ordinalnih varijabli budu u kodeksu eksplicitno označene. Kao što je rečeno za
varijable - da svaka varijabla mora imati poseban red u kodeksu - najpreglednije
je i ako svaka kategorija-alternativa bude u jednom redu. U primeru je tako
urađeno za pitanja 1.1 i 64.1, gde su značenja kategorija jasno navedena.
Radi uštede, ali samo kada se radi o kodeksu u papimoj formi i ako je takvo
rešenje pregledno (kao što je u prikazanom primeru), može se samo navesti
raspon ili spisak kodova kategorija, a za njihovo značenje se može pozvati na
neki drugi dokument. Tako je uradeno u primeru pitanja 1.3 i 80. Isto tako, vred-
nosti kontinualnih varijabh kao što su redni broj ili starost su „samodokumen-
tujuće” i tu posebno označavanje nije potrebno.
Pitanje 80 je u upitniku bilo otvoreno pa su ga istraživači zatvorili nakon
prikupljanja podataka i sve odgovore klasifikovah u 24 kategorije koje su opisali
u Listi 1.
Po DDI standardu, tj. kada je kodeks u elektronskoj formi, opisane raciona-
lizacije nisu moguće i uz svaku varijablu i uz svaku njenu vrednost nioraju biti
pridiTižene sve relevantne infomiacije.
Tabela sadrži jcdan karakterističan i tipičan primer kodeksa šifara. U poseb-
nim slučajevima se neke kolone mogu dodati (npr. oznaka instrumenta/upitnika ili
oznaka sloga), kolona sa pozicijama se može izbaciti, a opšti izgled i format su
stvar izbora istraživača, s time da dokument mora biti pregledan i komforan (reci-
mo, mora imati mesta za ručno upisivanje komentara i dopunskih informacija).
Pošto se takvi dokumenti danas pišu na računaru, najbolje je korisiiti funkciju
„tabele” (eng. tables) koju imaju svi procesori teksta, a neki istraživači koriste i
programe za tabelarna izračunavanja (eng. spreadsheet).
Naravno, i način kodiranja kategorija može biti drugačiji nego u primeru.
Recimo, neki istraživači kategoriju „ne znam” uvek šifriraju sa maksimalnom
šifrom u rasponu, recimo „9” kod jednokolonskih, „99” kod dvokolonskih itd. U
primem se vidi da ne postoji šifra „0”, jer je ona ostavljena kao univerzalni kod
za ,,bez odgovora”, tj. za slučaj kada ispitanik nije odgovorio na pitanje, ili se
pitanje ne odnosi na njega (pravilo da ,,nu!a znači BO”). Takva praksa je najbolja,
iako istraživače često privlači da biname varijable kodiraju npr. kao 0=ne, l=da.

3. Internet

Na jednu od uloga koju računari mogu da imaju u istraživanju je ukazano u

poglavlju o istraživanju biblioteke. To je korišćenje Interneta. Internet, sa velikim
i, jeste globalna svetska mreža (mreža svih mreža) bazirana na izvesnom broju
protokola. Termin „protokol” označava niz standarda kojima se definiše među-
sobno ponašanje više učesnika. Naime, kao i svaki drugi saobraćaj, saobraćaj na
Internetu mora da podleže nekom od protokola kako bi se učesnici medusobno
razumeli. Internet predstavlja smešu jednostavnosti i kompleksnosti, u zavisnosti
od aspekta posmatranja: jednostavnost sa aspekta osnovnih principa - komplek-
snost u finalnoj realizaciji. Postoje dobri razlozi, ako ništa drugo intuitivni, da se
veruje da dublet jednostavnosti i kompleksnosti mora biti opšti princip dizajnira-
nja svakog složenog sistenia i da je to jedan od razloga uspešnosti Interneta. Dve
osnovne mrežne aplikacije koje imaju najveći značaj za istraživače su:
• elektronska pošta (engl. e-mail) i
• W orId-wide-web ili WWW.
Elektronska pošta omogućuje komunikaciju između istraživača i to komu-
nikaciju koja uključuje i mogućnost razmene podataka i tekstova.
W orId-wide-web omogućuje pretraživanje računara koji su priključeni na
mrežu i pregledanje sadržaja koji se nalazi na tim računarima: tekstova, slika,
podataka i drugih informacija.
P retraživanje Interneta - Inlemet, kada mu se pristupa preko world-wide-
weba, možemo posmatrati kao praktično neograničeni fond informacija. Danas su
sve dostupnije veze koje omogućuju non-stop raspoloživost Interneta. Na fakulte-
tima i institutima se koristi akademska ili neka druga mieža, a velika je verovat-
noća da će istraživač i kod kuće biti povezan 24 sata dnevno preko neke tzv.
„broadband” linije, kao što je DSL telefonska linija ili mreža kablovske televizije
(kablovski Internet).
Ako se inia neprekidni pristup Intemetu, ima se i neprekidni pristup neogra-
ničenom fondu podataka. Zato se umesto starog i poznatog problema - kako doći
do informacije - sada javljaju dva: kako pronaći željene informacije na Internetu
i kako ih sve pročitati i zapamtiti,
Kako to biva u oblasti primene računara, pa i u oblasti Intemeta, razvijene
su različite tehnologije za rešenje prvog problema. U osnovi, treba pretražiti sve
računare koji su uključeni i koji su stavili svoje resurse na raspolaganje Intemetu.
Nažalost, na taj način je pretraživanje Interneta postalo „nauka”, koju istraživač
mora da savlada i da se njome ozbiljno pozabavi. Prvi na redu savladavanja su
opšti pretraživači Intemeta, odnosno sistemi koji evidentiraju sve raspoložive
 resurse na Inlernetu (stranica ima, barem prema reklamnom saopštenju Googla,
preko 8 milijardi). U ovom trenutku se dominantnim čini pretraživač Google
(http://www.google.com/). Stničnim jezikom, centralni deo svih pretraživača je
„mašina za pretraživanje” (engl. search engine). Nije zgoreg pogledati neko od
uputstava kako se koriste mašine za pretraživanje, recimo na htlp://searchengine
watch.com/facts/index.php.
Koristan pristup pretraživanju je da se pronađe neko niesto na kome se
nalazi pregled istraživačke tematike za kojom se traga. Dobar običaj je da autori
takvog mesta daju pregled povezanih resursa i tema (,,web links”). Odatle se
onda, kao lavina, može kretati dalje po mrcži. Na primer, David Garson je na
svom on-line statističkom i metodološkom kursu uključio stranicu „Online Re-
search” (http://v/w w 2.chass.ncsu.edu/garson/PA 542/research.htm ) na kojoj
istraživač može naći gde se nalaze dnige interesantne istraživačke prezentacije.^''
In tern et i n astav a .- Između ostalog, mogu se naći i on-line kursevi iz
različitih oblasti relevantnih za empirijska istraživanja ponašanja. Logika pisanja
udžbenika ili priručnika u hipertckst formatu zahteva drukčiji način razmišljanja
i dodatni posao oko defmisanja celina, h'nkova, kontekstno osetljivih grafičkih
prikaza i ostalih pomagala koje sadrži hiperteksl. Kako iskustvo kaže, hipertekst
udžbenik mora biti zajednički projekt pisca i programera. Da bi jedan tekst mogao
da sc prezentira kao hipertekst dokument, on mora zadovoljiti minimalni kriteri-
jum da se može razbiti u veliki broj malih celina (od najviše jednog do dva
ekrana). Te celine moraju biti precizno logički povezane da bi se mogle povezati
putem linkova u jednu ili više sekvenci. Sekvence mogu biti povezane i unakrsno.
World Wide Web se, recimo, zasniva na jednoj varijanti hiperteksta koji se naziva
HTML - f!ypertext Markup Language. Neke od korisnih adresa navedene su u
glavi 0 sprovođenju empirijskih istraživanja.

4. Trajnost resursa na Internetu

Jedan od opštih problema današnjeg računarstva i infomiatike je kratak

životni vek svih njenih p roizv o d a-k ak o softverskih, tako i hardverskih. Današnji
infomiatički razvoj je toliko brz da mnoge ideje i napore čini naprosto efemernim.
Ni Internet nije pošteđen toga, a ono na što posebno treba skrenuti pažnju
istraživaču je da su lokacije resursa na Internetu potencijalno vrlo promenljive i
kratkotrajne.
Pod resursima se podrazumevaju web stranice, web prezentacije fimii,
tekstovi, razni dokumenti, softver i sl. Po Interaet terminologiji, svaki takav
rcsurs je defmisan jednom adresom koja se naziva „Uniform Resource L o cato r-

Pre svcga skjećem pažnju na različita niesta na koja Garson ukazujc na kojima sc
mogu pronaći podaci iz socijalnih istraživanja, vcoma pogodni za vežbanjc i
eksperimentisanjc sa tehnikama analizc podataka. Nažaiost, pristup podacima je ograničen
i samo neki od njih su slobodno dostupni.
URL” . URL može biti veoma kompleksan, sa mnogo teksta i specijalnih znakova,
a najprostiji su oni poznati: http://www... Svaki URL zapravu ukazuje na neki
određeni, fizički postojeći računar i na neku datoteku na njegovom hard disku.
Zamislimo da negde nađcmo jedan URL (adresu) sa kursom za istraživanja
ponašanja koji vodi neki profesor na nekom univerzitetu kao npr. http://www.
unsff.ns.ac.yu/profesor/behavres.htm. Nleđutim, pre nego što smo uspeh da pri-
stupimo tom kursu, dotični profesor je otišao na drugi univerzitet i poneo kurs
(oko koga se pomučio i uložio dosta rada) sa sobom. Sada se uvodna stranica tog
kursa nalazi na drugom računaru, pa će njena adresa možda biti http://w w w .fbg.
ac.yu/profesor/behavres.htm.
K ada se radi o promeni adrese vehkih firmi, one ponekad zadrže i staru
adresu na čijoj stranici stoji uputstvo da se izmeni URL. No, istraživaču najčešće
ne preostaje ništa dnigo nego da pokuša da pronade novu lokaciju starog resursa
(ako još postoji, jer je spomenuti profesor mogao da povuče svoj kurs izjavnog
domena) putem Intemet pretraživača kao što su Altavista, Yahoo, Google i sl.
Ovo upozorenje apsolutno važi za sve URL koji su navedeni u ovoj knjizi.

5. Baze podataka iz istraživanja - metabaze

Baze istraživačkih podataka, metabaze ili arhive značajno su omde koje

može podići istraživačevu produktivnost neposredno, ali i povećati naučnu
produkciju posredno, putem olakšane diseminacije rezultata istraživanja. Pod
metabazom podrazumevamo prvenstveno bazu podataka koja obuhvata sirove
podatke iz istraživanja, mada su od značaja i baze koje sadrže samo deskripciju
istraživanja. Prvi tip mctabaza se može koristhi za pretraživanje istraživanja sa
ciljem nalaženja varijabli kojc su od interesa, kao i za obradu podataka koje te
varijable sadrže. Drugi tip se može koristiti samo za pretraživanje podataka o
istraživanjima (recimo, da li je neko, i kada, istraživao stavove prema civilnom
služenju vojnog roka).
Pošto se interpretacija nalaza dobrim delom zasniva na povezivanju sop-
stvenih nalaza sa prethodnim nalazima, svaki istraživač može lako zamisliti koli-
ko je praktično da neposredno vidi prethodne podatke o poverenju u institucije,
ksenofobiji, socijalnoj pokretljivosti, ili o ma kom pokazatelju kojim se bavi.
Sama baza u užem smislu treba da obuhvati sve raspoložive podatke iz
istraživanja kojima raspolaže jcdna ili više istraživačkih ustanova. No, kako
moderna definicija baze podataka podrazurneva i procedure za pristup podacima,
onda bismo mogli reći da se od te baze očekuju i funkcije pretraživanja, obrade,
unosa, ažuriranja i brisanja podataka, kao i grafičkih prikaza.
Istraživačka metabaza se može učiniti da bude opšte dostupna, dakle široj
javnosti, bilo na kompakt diskovima, bilo na Intemetu, ali se, posebno u slučaje-
vima marketinških istraživanja (bilo komercijalnog, bilo političkog marketinga),
javlja problcm vlasništva i embarga nad podacima. Ipak, sve se više radi na tome
da takve baze u celini ili u pojedinim segmentima budu dostupnu na Intcrnetu.
 U poglavlju o anketnim istraživanjima opisane su domaće metabaze CPIJM
Research Data i NEDA (nacionalna arhive podataka iz društvenih istraživanja).
SHčne baze postoje u SAD i Evropi, a drže ih i velike agcncije za ispitivanje
javnog mnjenja kao što je Roper (baza iPOLL na http;//www.ropercenter.uconn.
edu/ipoll.html).

6. Pisanje

Sa informatičke strane, automatizacija funkcije pisanja je bila jedna od

vodećih aplikacija koja je prodavala personabie računare, a prodaje ih i dalje.
Niko ko je počeo da piše na računaru nije se vratio na pisaću mašinu. Pisanje na
računaru (možda je bolje reći, pomoću računara) otvara mnogo novih mogućnosti
i ne samo da ga olakšava, nego pisanju daje potpuno nove perspektive. Postoje
istraživači koji još uvek ne koriste računar za pisanje, ali je njih sve manje, kao
što je sve manje argumenata protiv upotrebe računara.
Malo cinično, ali moglo bi sc reći da sve ostale faze istraživanja služe tome
da nešto bude napisano. U tom smislu su sve primene računara koje su opisane u
ovoj knjizi istovremeno i pomoć u pisanju. No, za ovo poglavlje smo ostavili ne-
ke specifične oblasti kojc su stvarno direktno vezane za pisanje naučnih tekstova.
Neposredno za pisanje tekstova se koriste posebni programi - p ro c e so ri
teiista ili p ro c e s o r i re č i (engl. text processors ili word processors) kao što su
Word kompanije Microsoft ili WordPerfect kompanije Corel. Postoje i postojali
su i mnogi drugi procesori teksta, kao što je bio, na primer, Wordstar, jer su
mnogi nastojali da se uključe u raspodehi profila na tom tržištu^^, pojavljivali se i
nestajali. Savremeni procesori tekstasasvimopravdavaju taj naziv,jer omogućuju
veoma složene opcracije na tekstu, uključujući i konačni prelom za štampu (v.
stono izdavaštvo).
Dok piše, istraživaču su potrebne razhčite informacije iz različitih oblasti.
Te infomiacije može naći, osim na Intemetu, u en cililo p ed ija m a u C D -R O M izd a -
nju. Drugo važno pomagalo su re č n ic i, tezaurusi, zbirke citata i druga shčna izda-
nja - takođe na CD-ROMU. Enciklopedije i rečnici spadaju u standardne alatke
za p isa n je. Naravno, enciklopcdije i rečnici su danas dostupni i preko Interneta.
Još jedna veoma važna alatka za pisanje su programi za le k lo risa n je i korek-
turu teksla. Lektura i korektura tckstova za engleski jezik je veoma dobro razra-
dena i već godinama se standardno ugrađuje u procesore teksta, ali danas i u baze
podataka, spreadsheet programe, e-m ail programe (tzv, mailere) i svuda gde
postoji mogućnost unosa slobodnog teksta. Provera sintakse jezika se i kod nas u
žargonu naziva „spell checking” i predstavlja pravo remek delo u lingvističkom i
softverskom pogledu. Viši nivo provere, gramatički, naziva se obično „grammar
checking”, a oba nivoa se mogu ponekad naći objedinjeni u istom softveru. Prem-
da se za neke programe za „grammar checking” takođe može reći da su biser

Ovaj lckst je pisan u W ordP erfectu.

 kompjuterizacije (recimo Grammatik iz WordPerfecta koji radi analizu rečenice),
oni ipak nisu namenjeni aulomatskom jirevođenju i ne poseduju magiju za
pretvaranje lošeg engleskog u dobar. »
Što se tiče našeg jezika, stvari kreću nabolje, ali je softverjoš u razvoju. U
poslednjih par godina su se pojavili programi za korekturu i pomoćni programi za
rastavljanje reči na kraju reda.
Sledeća oblast u kojoj računari mogu pomoći u pisanju je prepoznavanje
teksta i automatskoprevođenje. Pi'cpoznavanje teksta se u anglosaksoiiskoj termi-
nologiji obično naziva Optical Ciiaracter Rcading (OCR). Postoje već mnogi
komercijalni paketi koji čitaju tekst koji je prethodno kao shka unesen u računar
putem skeniranja. Dosada nije postignuta potpuna tačnost čitanja, jer na nju utiču
kvalitet štampe i papira i vrsta fonta. Za engleski jezikje situacija nmogo boljajer
postoje uhodani programi za korekturu koji otklanjaju većinu grešaka. To će
verovatno još dugo vreniena biti jedina „dobitna kombinacija” na ovom polju;
OCR + spell checker. Dok ovaj potonji softver ne bude potpuno operativan za naš
jezik, ni OCR programi neće postići punu komercijalnu eksploataciju.
Inače, kad bi automatsko čitanje naših tekstova bilo potpuno raspoloživo,
značajno bi se ohikšahi izrada bibliografskih baza, evaluacija naučne produkcije
(scijentometrija), obuhvat starih tckstova i slično.
Autoinatsko čitanje teksta na našem jeziku, uključujući i ćirilićno pismo,
diskvaiifikuje vehki broj komercijalnih prograina za OCR koji nemaju ugradena
naša slova. U posiednje vreme se kao apsolutni favorit u čitanju naših tekstova
(ali ne samo naših) pokazao FincReader ru.skc firme ABBYY (www.abbyy.com),
koji je u starijoj verziji imao ugraden modul za čitanje formulara, a sada je taj
modul razvijen kao zaseban program koji može da čita i rukopis. Na wcb
prezentaciji fiiTne sc može naći demonstraciona verzijaprograma FineReadcr koja
traje ograničeno vreme (tzv. sharevvare). Program se isporučuje sa mogućnošću
prepoznavanja velikog broja jezika, a za jedan manji broj jezika poseduje i
korektore. U tekućoj vcrziji postoji korcktura za hrvatski, ali ne i za srpski jezik.
Sto se tiče automatskog prcvodenja, sa i na naš jezik, primeri koje smo do-
sad videli su pretežno anegdotskog oblika. Čini se da još dugo nećc biti solt-
verskog proizvoda koji bi bio relevantan za naše ciljne čitaoce. Čini se, takode, da
rešcnje problema pisanja na stranom jeziku, ma koliko to bilo značajno za
uključivanje domaćc naučne produkcije u svet, ne možemo očekivati od računara.

a. Statistički i drugi priručnici na Internetu

Osim digitalnih bibliotcka, elektronskih časopisa i pojedinačnih doku-

menata, na hitemetu sc niogu naći kompletni kursevi i priručnici za socijahia
istraživanja, statistiku i dnige slične oblasti. Pored toga, brojne su diskusione
grupe ili tzv. konferencije, kao i mesta gde se mogu postavljati pitanja. Velika
većina takvih kurscva i priručnika se nalazi na univerzitetinia, a kieirali su ih
njihovi nastavnici. Prvenstvena namena im je nastavna u okviru dotičnih univer-
ziteta, ali su nmogi od njih postah poznati i široj javnosti.
Takvi priručnici i kursevi su uvek izvedeni u tchnologiji hiperteksta, sa
manjim ih većim stepenom integrisanosti i pomoćnih alata koji omogućavaju lako
krctanje kroz tekst i nalaženje potrebnih pojmova i celina. Neki od kurseva su
napravljeni potpuno interaktivno, tako da npr. posetilac dobija pitanja na koja
mora da odgovori. Neki od kurseva predstavljaju seriju slajdova koje dotični nas-
tavnikprikazuje na svojim usmenim predavanjima, ili su kombinovani sa takvim
slajdoviraa,
Čuvena \veb mesta sa takvim materijalom su „Statnotes, Thc Onhne Text-
book” Davida Garsona, na http://www2.chass.ncsu.edu/garson/pa765/statnote.
htm, zatim „The Research Methods Knowledge Base” Williama Trochima na
http://trochim.human.cornell.edu/kb/index.htm ili http://www.socialresearch
methods.net/kb/, serija tekstova, predavanja, kurseva i članaka na UCLA koju
vodi Jan deLeeuw, vrlo poznati statističar sa psihološkim obrazovanjem, na http:,//
preprints.stat.ucla.edu/ i http://www.stat.ucla.edu/gifi/, interaktivni kurs bazične
statistike HyperStat Online Textbook Davida Lanea na http://davidmlane.com/
hyper.stat/index.html itd.

b. Slonn izdavašlvo

Negde od kasnih osamdesetih godina desila se prava revolucija u izdavaš-

tvu. Nju su izveli personalni računari sa odgovarajućim softverom i lascrski
štampači. Originalna intencija u razvoju ovog hardvcra i softvera nije bila baš
toliko dalekosežna, odnosno njeni zamišljeni dometi su bili ograničeni na intcrna
izdanja, uputstva, dopise i spise, kao zamena za šapirograf (poznatog Gestettnera)
i poboljšavanjem kvaliteta i produktivnosti kancelarijskog poslovanja.
Kod nas je, medutim, to iskorišćeno kao mogućno.st kompletnog izdavaštva
u okviru kuće (instituta i univerziteta). Ima se utisak da krajem XX i jjočetkom
XXI veka ogromna većina izdanja u domenu društvcnih nauka kod nas spada u
tehnologiju računarskog sloga i preloma i štampanje na malim ofset mašinama,
najčešće do forniata A4, u jednoj boji. Današnji budžcti naučnih projekata i
institucija, kao i malo tržištc ne dozvoljavaju da se ovo izdavaštvo vrati u velike
izdavačke kuće i štamparije. Medutim, svedoci smo i da su neke od velikih izda-
vačkih kuća izgubile bitku sa malim, kućnim izdavaštvom i nestalc sa sccne.
Cena je plaćena izvesnim lutanjiina, eufemistički rečeno, u pogledu kvalite-
ta štampe i tehničke oprcme knjiga. Trcba ipak znati da se unutar datih finan-
sijskih margina prosto ne može zamisliti da bi knjigc mogle izglcdati manje loše
nego što izgledaju.
 7. Računari i merenje naučne produl<cije

Scijentometrija ili naukometrija je oblast koja, kao i mnoge druge, mogu da

postoje bez računara - ali teško. Naša naučna produkcija je mala i ne treba očeki-
vati da će biti mnogo veća, pa bi se neki glavni poslovi naukometrije (npr. kvanti-
tativni pokazatelji naučne produkcije) u principu mogli obavljati nično. Ipak,
pošto to u praksi niko ne radi, smatramo računare i ovde presudnim činiocem.
Prvenstvenu primenu računari su dobili u domenu izrade kvantitativnih
pokazatelja naučne produkcije (vidi glavu o pisanju istraživačkih izveštaja).
Izrada većine kvantitativnih pokazatelja koji se danas rutinski koriste vrši se iz
bibliografskih baza (v.). Dakle, da bi se obavili bibliometrijski i scijentometrijski
proračuni nužno je da se sistematski vrši obuhvat sve relevantne naučne produk-
cije, barem u fonni tzv. citatnih bibliografskih baza koje osim bibliografskih
identifikacija radova sadrže i spisak korišćene literature.
Naravno, idealan slučaj je kada su citatne baze integrisane na nivou čitave
države i za sve naučne oblasti, ali je to za sada teško izvodljivo, s jedne strane, a
s druge ipak nije dovoljno jer ne bi bilo poki-iveno objavljivanje u stranim publi-
kacijama. Praksa je, manje-više, da bibliografske baze budu vezane za određene
naučne oblasti, uže ili šire.
Kao što je objašnjeno u glavi o pisanju istraživačkih izveštaja, standardni
kvantitativni pokazatelji naučne produkcije su produktivnost i ciliranost, a danas
sve češće i faktor uticajnosti koji se izvodi iz citiranosti i koristi za ocenjivanje
naučnih časopisa.
Postoje istraživanja i raznih drugih pokazatelja za ocenjivanje naučne
produkcije, kao i modifikacije postojećih, ali je sve to potpuno nemoguće bez
dobrih podataka, a dobri podaci podrazumevaju bibliografske (i uopšte digitalne
bibliotečke) baze, odnosno primenu računara.

8. Osnovni probiem i prim ene računara u istraživanju

ponašanja

Postoje teškoće koje ometaju i ograničavaju primenu računara u istraživanju

ponašanja, u svim njegovim fazama.

• Prvu takvu teškoću predstavlja tzv. liadrovski problem. Radi se o tome da

primena računara u ovoj oblasti zahteva u najmanju ruku nova znanja, a
često se radi i o drukčijim sposobnostima, sklonostima ih „načinu mišlje-
nja”. Osnovni način rešavanja tog problem aje u stalnoj edukaciji, još od os-
novne škole.
• Drugi problem je logistički i obuhvata teškoće sistemskog održavanja
računara i permanentne obuke korisnika. Nabavka, instaliranje i održavanje
personalnih računara, njihovili komponenti i računarskih mreža zahteva
stalni angažman odgovarajućih stručnjaka. S obzirom da je „životni vek”
 softvera i hardvera vrlo kratak i da se stalno javljaju novi proizvodi, svi
korisnici - istraživači trebali bi da mogu stalno da se doobučavaju.
• Kadrovski problem vezan za korišćenje statistike pominje se u ovoj knjizi
na više mesta. On je, takode, usko povezan sa primenom računara. Kako
istraživač ponašanja da poznaje psihologiju, statistiku i računare? Ne
postoji lako i konačno rešenje za ovaj problem. Moraju se koristiti timski
rad, interdisciplinamo obrazovanje, statistički konsultanti, ekspertski siste-
mi za statističku obradu itd. Treba značajno popraviti dodiplomsku edukaci-
ju iz obiasti računarstva i statistike koja je na nekim našim fakultetima
ispod granice dobrog ukusa. Gradivo i nastavni programi moraju biti prila-
godeni mentalnom opredeljenju studenata.
• Evaluacija i formalni tretman naučne produkcije u oblasti računarstva. Ovaj
problem je, pre svega, vezan za to što se razvoj softvera u i za društvene
nauke ne tretira kao naučni rad (ih ne uvek). Tako inženjer koji napiše novi
program može objaviti naučni rad o njemu, a psiholog ili sociolog ne mogu.
To obeshrabruje retke ali postojeće društvene naučnike da se više posvete
unapređenju primene računara u svojim oblastima.
 VI. O S N O V I K V A N TITA TIV N E ANALIZE
PO D A TA K A

Uz poštovanje prema izuzecima, k\’antitativna analiza podataka iz istraži-

vanja ponašanja nije ništa drugo do statistička analiza. Uvodno izlaganje o
primeni statistike u socijalnim istraživanjima đato je u okviru glave o teoriji mere-
nja i inđividualnim razlikama, posebno u okviru diskusije o prirodi, nastanku i
analizi individualnih razlika. Isto tako, u zasebnom poglavlju je opisan jedan od
osnovnih statističkih pojmova, varijabla, kao i pojam i priroda osnovne matrice
podataka.
Podsetimo se da su individualne (ili grupne) razlike slučajne pojave, te da
zato predstavljaju shičajne varijable i anahziraju se pomoću statistike. Pomoću
anahziranja individualnih (i grupnih razlika) postižemo ono što se obično naziva
„kvantifikacijom”, odnosno merenjem količine onoga što postoji (a sve što
postoji, postoji u nekoj količini). Međutim, kvantifikacija je prvi, najjednostav-
niji, a neki misle i trivijalan zadatak analize individualnih razhka (v. poglavlje o
kvantifikatorskoj i strukturahioj ulozi varijabli).
Mnogo inspirativniji, značajniji, i za dmštvene nauke korisniji pristup
analizi individualnih razhka je saznavanje onoga što stoji iza njih. Kao slučajne
pojave, individualne razHke predstavljaju odjeke iz dubina i svedoče o postojanju
brojnih latentnih generatora koji generišu te razhke. Na taj način, individualne
razlike su moćno oružje društvenih istraživača da pristupaju, mere i ispituju
pojave koje nisu dostupne neposrednom opažanju, već se kriju u „glavama Ijudi”
ili u dinamici društvenog života.
Najuspešniji način za ispitivanje i otkrivanje ovakvih skrivenih, latentnih
osobina je putem analize povezanosti različitih manifestnih varijabli koje sadr-
 žavaju individualne razlike. Naime, ako postoji povezanost, ili kako se u statistici
kaže - korelacija - između dve ili više slučajnili varijabli, onda one obično imaju
zajedničke izvore, ili su jedna dnigoj delimični izvor. Nekada sc umesto izraza
„izvor”, koji ovde koristimo, kaže „uzrok”, ali je metodološki čistije da se
izbegne upotreba tog osetljivog termina u domenu statističke analize individual-
nih razlika.
Na primer, ako dete uspešno rešava numeričke zadatke i zadatke sa
memorisanjcm, ako uspešno rešava zadatakc analogije i elementarne nurneričke
operacije, psiholozi će zaključiti da iza toga stoji (skrivena, latentna) osobina
intehgencije. Isto tako, ako neka osoba više voli da izlazi sa društvom nego da
ostane kod kuće da čita knjigu, ako voli da proba nove stvari, ako je sigurna u
sebe i ako kaže da ima preovladajuće pozitivno emocije, onda su psiholozi utvrdi-
li da takve osobe poseduju osobinu ekstraverzije. Inteligencija i ekstraverzija nisu
neposredno vidljive osobine, dostupne neposrednom opažanju i merenju. To su u
početku bili teorijski konstrukti koji su se mukotq5no izgrađivali i dograđivali i to
isključivo na osnovu analize individualnih razlika u manifestnim ponašanjima.
Sledcće važno pitanje primene statističke obrade podataka u socijalnim
istraživanjima je pitanje prirode podataka, U glavi o teoriji merenja objašnjeno je
da je najviši nivo merenja onaj koji uspostavlja direktnu vezu izmcdu kvantitativ-
nog svojstva i brojeva. Na primer, kada se meri dužina, svakom štapu se dodeljuje
jedan broj koji označava dužinu tog štapa u milimctrima. Takvi podaci, kod kojih
brojevi tačno označavaju stepen prisustva kvantitativnog svojstva, vrlo su
pogodni sa primenu bilo kojc statističke tehnike i zaključci koji sc mogu doneti
na osnovu statističke anaiize su visokovredni.
U naukama o ponašanju je prvi problem u tome što za mnoga svojstva
nemamo eksplieitan dokaz da su kvantitativna sama po sebi (jednostavan primer
je bračno stanje). Dnigi problem je što merenje osobina kojima sc bave društvene
nauke retko omogućava direktno dodeljivanje brojeva pojavama. U uvodnom
poglavlju smo rekli da društveni istraživači mogu biti veoma zadovoljni ako
putem mcrenja mogu uspostaviti poredak izmedu objekata koje mere. D etaljna
analiza podataka iz društvenih istraživanja često pokazuje da oni poseduju
svojstva ordinalne skale, bez obzira što im istraživači po konvenciji vole da
pripisuju svojstva intervalne. Međutim, mogućnost da se zna da je neko viši, a
neko niži po merenom svojstvu je najčcšće sasvim dovoljna za istraživača.
U teoriji društvenog merenja najčešće se koriste 4 Stcvensova nivoa
merenja: nominalni, ordinalni, intervalni i racio {noir). Pošto sc u teoriji m ercnja
sistem pravila za dodeljivanje brojeva objcktima naziva skaliranjem, rezultati
merenja na ovim nivoima često se nazivaju skalama. Što je niži nivo merenja (od
racio do nominalnog), to su mogućnosti statističke obrade sve manje, a kvaiitet
donesenih zaključaka sve slabiji.
U glavi o teoriji merenja diskutovan je, takođe, značaj normalne raspodele
i s njompovczana kontinuiranost podataka, Najkvalitetniji statistički zaključci se,
opet, mogu doneti ako su podaci kontinuirani i odgovaraju modelu normalne
raspodele, Međutim, u tom poglavlju je raspravljano pitanje svih sličnih statis-
tičkih uslova i rečeno je da su konlinuiranost, raspodela, mema skala itd. svojstva
odredenog statističkog modela, a ne podataka. Statističke tehnike podrazumevaju
razne osobine podataka i ako podaci ne poseduju te osobine, onda statističke
tehnike ne pružaju kvalitet zaključaka koji se očekuje. Sugerisali smo da istraži-
vači na izbor i primenu statističkih tehnika gledaju kao na metodu modeliranja -
mogu da testiraju više različitih modela i da proveravaju da li oni daju različite
rezultate. Takođe, ukazano je na važno svojstvo statistike - redukcijupodataka
(v. poglavlje 0 praktičnoj teoriji merenja).
Statistika ima „mnoga lica” i postoje različite mogućnosti da se defmiše
njena epistemološka uloga u empirijskim istraživanjima. Pogledajmo neke od tih
defmicija.
Statistika zaključivanja. - Premda je prethodna konceptualizacija statis-
tike kao modeliranja i redukcije podataka besumnje tačna, o podelama statistike
se može govoriti na više načina. Kao prvo, nikako se ne sme zaboraviti da je
statislika primenjena teorija verovatnoće i da je njen centrahii interes da na
osnovu svojstava uzorka proceni svojstva populacije. Ova grana statistike, koja se
bavi induktivnim zaključivanjem sa uzorka na populaciju, naziva se statistikom
zaključivanja. U ovoj glavi, u glavi o uzorkovanju, kao i na drugim mestima u
ovoj knjizi, statistika zaključivanja se pominje često i u različitim kontekstima.
D eskriptivna i cvidenciona sfalistika. - Kađa se govori o deskriptivnoj
statistici obično se misli na mere centralne tendencije, mere varijabilnosti (tzv.
momente distribucije verovatnoća) i druge pokazatelje koji opisuju distribuciju
merene pojave. Dcskriptivna statistika se može nazivati statistikom samo ukoliko
sadrži i standardne greške tih pokazatelja (pogledati kasnija poglavlja). Naime,
distribucije frekvencija i procenti, bez drugih pokazatelja, nisu statističke metode
nego su metode evidencije, a aritmetička sredina, sama po sebi, pripada aritmetici
nizova, a ne statistici. Deskriptivnu statistiku m.ožemo nazivati statistikom samo
ako služi za ocenjivanja paramctara (v. kasnije), dakle, kao statistika ocenjivanja.
Evidenciona statistika je jedna od oblasti obrade podataka koje se svrstava-
ju u statistiku, a da skoro uopšte ne sadrže pojmove verovatnoća, uzorka i popula-
cije. U evidencionoj statistici, uključujući i popise stanovništva, naprosto se
prebrojavaju objekti i događaji i saopštavaju odgovarajući procenti i proseci.
Uobičajeno je da se govori o „statistici posete bioskopima”, ili „statistici saobra-
ćajnih nesreća”, iako se radi samo o evidencionim ili arhivskim pokazateljima (na
engleskom se ovakva statistika naziva actuanal).
M ultivarijatna analiza - MVA. - Nasuprot ovim statistikama, koje se
ponekad nazivaju univarijatnim (deskriptivna - jer se bavi pojedinačnim varijab-
lama) ili bivarijatnim (statistika zaključivanja), stoji jednam odem a oblast statisti-
ke koja se generalno naziva multivarijatnom. Zovemo je modemom prvenstveno
zato što njena primenljivost (ili dostupnost) počinje tek sa erom računara. Po
sofisticiranosti, ona je na potpuno drugom polu u odnosu na evidencionu statis-
tiku, ali po korišćenju osnovnih statističkih pojmova nalazi se u istom košu.
Naiine, multivarijatna analiza ili multivarijatna statistika se prvenstveno bazira na
matematičkoj oblasti matrične algebre, a ne na infinitezimalnom računu na korae
sebazirateorija verovatnoće. Istraživači koji koriste faktorsku, diskriminativnu ili
kanoničku korelacionu analizu znaju da se tu ne spominju uzorci, populacije ili
nulte hipoteze. Unatoč tome, i ta oblast se smatra granom statistike.
U društvenim istraživanjima, u kojima je jedinica posmatranja čovek,
multivarijatnu statistiku bi zapravo trebalo zvati analizom mdividualmh razlika.
Analogno tome, kada se multivarijatnoj statističkoj analizi podvrgavaju Ijudske
grupe ili organizacije, radi se o analizi grupnih razlika. Multivarijatna statistika
nam, naime, pomaže da otkrijemo da li iza individualnih razlika stoje neki regula-
torni mehanizmi (latentne varijable ili latentni generatori) koji objektivno postoje
u jedinkama ih grupama.
MVA objcdinjuje induktivno i deduktivno zaključivanje. - Tačno je da
je lanac zaključivanja u statistici dominatno induktivan. Klasična statistika zaklju-
čivanja primarno i jeste induktivno orude, dok je slučaj multivarijatne statistike
znatno zamršeniji. Ona je orude za analizu individualnih razlika, što znači da bi
trebalabiti sposobna da direktno generiše društveno-naučne konstnikte.
Po našem utisku, anaHzu individualnih razlika možemo podeliti na dva dela:
matematičko-statistički i istraživački. U prvom dehi se nalazi sav matematički
aparat, baziran prvenstveno na hnearnoj algebri. Rezuhati tog dela, uslovno
govoreći ono što se nalazi sa leve strane znaka jednakosti, najvećim su delom
matrice. Za ovaj deo anahze individualnih razHka stvarno se može reći da je
induktivan i analitički. Medutim, stvarno, u praksi i principijehio, rezultati tog
dela su beskorisni i nepotrebni ukohko se ne inteipretiraju.
Na tom mestu počinje dn.igi deo anaHze individualnih razHka, koga okvimo
nazivamo istraživačkim i koji je pre deduktivan i sintetički nego induktivan i
anahtički. U ovom delu se nalazi interpretacija rezultata MVA, koja obuhvata
verbalno procesuiranje numeričkih podataka, uopštavanje, povezivanje sa drugim
i prethodnim nalazima, kao i generisanje novih pitanja i hipoteza.
Pored statističke anahze individuahiih (iH grupnih) razHka društveni istraži-
vač se možc baviti i anahzom zakonitosti u ponašanju Ijudi i Ijudskih grupa. Te
zakonitosti se mogu uočiti i proučiti na samo jednoj gmpi, bez potrebe za
stalističkom analizom, ah čak i takav pristup ne ukida, ne protivreči, niti sprečava
primenu klasične ih muhivarijatne statistike za proveru nalaza. Osim toga,
tumačenju Ijudskog ponašanja nije primeren kauzahii model iz prirodnih nauka
gde se posledice mogu objasniti delovanjem malog broja uzroka. Ljudska
delatnost je interpretabilna samo u okviru prepHtanja mnoštva činilaca u jednom
odrcdenom vremenskom trenutku. Zbog toga će se teorije sociologije, psihologije
i svih antropoloških nauka koje se bave Ijudskim ponašanjem uvek suočavati sa
problemom individualnih razhka i sa teškoćom potrebe da se za dokazivanje i
verifikaciju teorija koristi statistika.
Mi ćemo storiju o statistici ispričati tako da ona što više Hči na ono što
društveni istraživač može da vidi kada se odluči da anaHzira prikupljene podatke.
Iz prethodnih nekoliko pasusa se vidi da su moguće razHčite taksonomije statisti-
čkog gradiva, iz različitih aspckata. To nam daje za pravo da izlaganje organi-
zujemo sa prvenstvenom idejom neposicdne upotrebe slatistike u istraživanju, ali
naravno, takva struktura gradiva neće biti identična strukturi statistike kako se
opisuje u statističkim udžbenicima.
Još važnije je to da ova glava neće biti tečaj iz statistike. Takav tečaj bi
zahtevao innogo višc prostora i svakako bi zahlcvao zasebnu knjigu. Zato, da bi
čitalac upoznao osnove statistike, on će morati posegnuti za nažalost retkim
domaćim udžbenicima iz „statistike za nematematičare” (Petz, 1981, Dragićević,
1998, Tenjović, 2002), ili za mnogo češćim stranim udžbenicima, Sadržaj ovog
poglavlja biće diktiran jednim opštim osećajem o tome šta zapravo treba da
razunieju društveni istraživači u poglcdu primene slalistike, s jedne strane, a s
druge, šta oni najčešće ne razumeju. Takođe, sadržaj poglavlja biće odieden
nekini tcmama koje nisu obrađcne u domaćim udžbcnicima iz statistike. Na kraju,
ovo poglavlje svakako mora dati osnovu za razumevanje drugih poglavlja i
problematike koja se tamo izlaže. To se posebno odnosi na poglavlje o uzorkova-
nju kpje je važno istraživačko i statističko pitanje.

A. Osnovni pojmovi

1. Populacija i uzoral<

Da bi se mogla objasniti suština primene statistike potrebno je da čitalac

ima osnovni uvid u značenje pojmova populacije i uzorka. Kao što jc vcć napo-
mcnuto, populacija i uzorak se u cpistcmološkoni smislu nalaze u lancu induk-
tivnog zakijuči\'anja, za koje se, opct, smatra da je karakteristično za statističku
mctodu. Statističari se, inačc, ne slažu potpuno sa toin ocenom i smatraju da je
stalističko zaključivanje mešavina deduktivnog i induktivnog, u zavisnosli od
toga koji logički proces se posmatra. Pojmovi populacije i uzorka će imali
dctaljnu prezentaciju u glavi o uzorkovanju.
Kada jc reč o uzorku i populaciji, indukcija se javlja u obliku gcneralizacije.
Istraživači po pravilu ispituju malc i dostupne grupe objekata, a sa ciljem da
doncsu zaključke koji važe za sve slične objekte. U tom kontekstu, populacija je
cilj zaključivanja; onaj korpus, domen, sloj, grupa... o kojoj želinio da saznamo i
o kojoj žclimo da zaključujemo. Uzorak je manji ili vcći deo tc populacije, njega
slvarno istražujcmo, ali sa ciljem da saznamo svojstva populacije.
Da bi gcncralizacija sa uzorka na populaciju imala smisla, uzorak mora biti
takav deo populacije koji poseduje ista ili slična svojslva kao i populacija. Slič-
nosl uzorka i populacije se uobičajeno opisuje čuvenim pojmom reprczentativno-
sli - uzorak mora biti reprezcnlativan za populaciju kako bi gencralizacija bila
valjana.
Matcmatičari smatraju da je najbolji način da uzorak bude rcprczentativan
taj da se on bira slučajno - iz šcšira (to se naziva prostim slučajnim biranjem).
Ako se članovi uzorka izvlače iz šešira, onda svi imaju jednaku verovatnoću da
budu izabrani. To znači da ne postoji nikakav faktor, nikakva naša volja, simpati-
ja, privilegija, ili bilo šta drugo što bi činilo da nekoga radije biramo nego drugo-
ga. Sva ta pitanja će biti razmotrena i prodiskutovana u glavi o uzorkovanju.

2. Matematički je zik statistike

Važno je spomenuti jedan značajan problem koji se javlja kod primene sta-
tistike u svim naukama o ponašanju. Taj problem se tiče upotrebe matematičkog
jezika. U oblasti društvenih nauka, matematika i statistika se najčešće primenjuju
u psihologiji, matematičkoj psihologiji i psihom etiiji (osim ekonomije i ekono-
metrije). U standardnom gradivu tih oblasti, a za potrebe studenata i istraživača
čije matično obrazovanje nije sadržavalo matematiku, razvijen je poseban jezik
koji se vrlo često koristi i obično je kvazi-matematički. On društvenim istraživa-
čima „liči” na matematiku, ali kada ga čitaju matematičari oni u njemu prepo-
znaju nepismenost. Uzmimo, na primer, kako će se u naukama o ponašanju često
reći i napisati, ah i pročitati na mnogim mestima, šta je arimetička sredina. Napi-
saće ZX /N (izgovara se: sum aX kroz A'^).
Matematičar (ili statističar) bi to napisao potpuno drukčije i to onako kako
ćemo mi uraditi u jednom od sledećih poglavlja o merama centralne tendencije.
Primer aritmetičke sredine je veoma prost i verovatno će svi razumeti šta je
psiholog napisao. Radi se o tome da je psihologpodraziimevao mnogo šta: da je
X oznaka za vektor sirovih skorova na jednoj varijabli, da njih ima A'’ i da se
sumira svih N skorova. U statistici postoje, na nesreću, mnogo složeniji izrazi kod
kojih se ne možemo osloniti na popularnost i opštu razumljivost.
Matematički jezici nisu svi isti u tom srnishi da im azbuka, reči i rečenice
nisu isti. Često nisu ista čak ni sintaksna pravila. To otežava stvar društvenom
istraživaču, koji kad čita statističke priručnike nailazi na formule koje na prvi
pogled izgledaju različito. Međutim, jedno pravilo u matematici je univerzahio, a
to je da se na početku teksta autor deklariše „kojim jezikom govori”. Tu on
eksplictno mora da objasni i defmiše svu bazičnu sintaksu i semantiku kojom se
shiži, ili se pribegava čestoj praksi da kroz uvodno izlaganje osnovnih pojmova i
propozicija kojima se tekst bavi demonstrira sintaksu koju će koristiti.

pol starost obrazovanje stav^ ■■• sta v ^

1 18 3 5 ■■• 4
1 18 3 5 • 4 1 30 2 1 ■■• 2
1 30 2 1 2 2 45 5 2 ■ 2
X = [32]
2 45 5 2 ■ 2

2 75 1 3 •■■ 3
2 75 1 3 ■ 3
 Tom praksom ćemo se i ovde poslužiti. Kao prvo, osnovna matrica podata-
ka, polazno mesto sve statistike, onako kako je data u tabeli 5 (str. 151) nije
neposredno upotrebljiva za statističku obradu. U jednačini [32] smo prikazali
jednu malu transformaciju, kako od osnovne niatrice podataka, koja je „opšte
namene”, nastaje matrice podataka, koja je namenjena statističkoj obradi.
Kao prvo, termin matrica ima u matematici vrlo precizno značenje. U izrazu
[32], krajnje desno, je ono što bi matematičar nazvao matricom podataka. Ako
ovu matricu uporedimo sa tabelom na str. 151, vidi se da su izbačena prezimena
ispitanika (prva kolona matrice), a zatim i prvi red sa nazivima varijabli. U
matrici podataka ostali su samo podaci, u ovom primeru numerički. To što više
nema redova i kolona sa identifikacijom objekata i varijabli može da predstavlja
teškoću samo čitaocu laiku. Identifikacija pojedinili članova matrice se vrlo
precizno postiže identifikacijom mesta na kome se oni nalaze. Pogledajmo levu
stranu izraza [32] i videćemo da je uobičajena konvencija u malematici da se
matrice označavaju velikim masnim slovima - ovde X, ili oznakom članova
matrice običnim malim slovom, zatvorenim u vitičaste zagrade. Da se radi o
opštoj oznaci člana matrice, vidi se po dva indeksa i ij . Prvi sc indeks po konven-
ciji odnosi na redove, i u slučaju matrice podataka može da ima vrednosti od 1 do
n (veličina uzorka), a drugi se odnosi na kolone, i u slučaju matrice podataka
može da ima vrednosti od 1 do tn (broj varijabli).
Matrice su predmet izučavanja posebne grane matematike, matrične algeb-
re. Clanovi matrice, kao uopšte svi pojedinačni brojevi nazivaju se skalarima, a
jednodimenzionalni nizovi brojeva, kao što su pojedinačni redovi ili kolone u
matrici vektorima. Dakle, matrice su sastavljene od vektora, a vektori su
sastavljeni od skalara. Na matricama (i vektorima) se mogu izvoditi neke operaci-
je koje su vrlo slične skalaiTiim operacijama. Tako se matrice mogu sabirati,
oduzimati, množiti, deliti i stepenovati. Naravno, te operacije liče na skalarnc
operacije, ali se po mnogo čemu i razlikuju. Osim tih osnovnih operacija, na
matricama sc mogu izvoditi i potpuno spccifične operacije kao što su inverzija
matrice (koje je, doduše, slična skalarnoj operaciji I/x) i analiza karakteristične
stmkture matrice. Sve te operacije su osnova multivarijatne analize, koja je skoro
isključivo zasnovana na matričnoj algebri i operacijama na matricama.
Matematičar bi priču u matrici podataka ukratko ispričao na sledeći način:
defmišimo matricu X kao matricu sirovih podataka, čiji su elementi x,y. kao:
X = {.V,} [33]
za !=l,...,n i pri čemu je n broj ispitanika, a m broj varijabli. Kolone
matriee X čine vektori m varijabli:
7=1,...,m [34]
Na taj način bi on precizno pokazao da se matrice označavaju masnim
velikim siovima, vektori masnim malim slovima, a skalari koji su njihovi članovi
ili elementi malim slovima. Pozicija vektora u okviru rnatrice i člana u okviru
vektora ili matrice se označava indeksima. Upravo ovakva sinlaksa se koristi u
ovom tekstu, jer se danas može reći da ona preovladava u tekstovim a koji koriste
lineamu, odnosno matričnu algebru.
Nažalost, niatematičari obično izbegavaju da dalje izlažu o „sadržajim a” i
„značenjima” elemenata u redovima i kolonama matrice X. Za razliku od njih,
društveni istraživači se osećaju osujećeni kad se sretnu sa egzaktnim m atem ati-
čkim opisima. Oni bi možda bolje razumeli primer matrice X kakav je dat u tabeli
5 ili bar u sredini izraza [32] u kome ,,sve lepo piše” : da kolone matrice čine vari-
jable pol, obrazovanje, starost i ajtemi neke A:-ajtcmske skale stavova, a redove
rezultati n ispitanika na tim varijablama.
Još jedan vrlo važan i čest simbol u statistici zaslužuje kratko objašnjenje.
To je simbol „operatora sumacije” za koga se koristi grčko slovo sigma, Z . N a
primer, sabiranje svih n članova j-te kolone matrice podataka napisali bism o kao:

J
i=\
a sumiranje svih članova matrice X kao:
n m

i=i y=i

3. Devijacioni i standardizovani si<orovi

U tumačenju mnogih statističkih mera, kao što su mere varijabilnosti ili

koeficijenti korelacije korisno je da se koriste tzv. devijacioni skorovi. D evijacio-
ni skorovi su vrednosti ispitanika na nekoj varijabh iskazani kao razlika u odnosu
na aritmetičku sredinu te varijable. Ovi skorovi se često nazivaju centriranim
skorovima i izračunavaju se jednostavno kao:
[37]
gde je M j aritmetička sredina varijable j (vidi kasnije mere centrahie tender.cije).
Jasno je da je aritmetička sredina devijacionih skorova jednaka nuli, pa se
zato oni nazivaju centriranim. Takođe, lako je zaključiti da je poredenje ispitanika
na razhčitim varijablama, koje imaju razhčite proseke, nemoguće ukohko se ne
koriste devijacioni skorovi. Medutim, ni devijacioni skorovi ne om ogućavaju
dobro poredenje ispitanika na razhčitim varijablama. Naime, varijable mogu imati
iste proseke, ah veoma razhčite raspone, tako da recimo, u jednom uzorku
ispitanika telesna težina i starost mogu obe imati prosek od 50, aH da se telesna
težina kreće od 40 do 80 kilograma, a starost od 18 do 90 godina.
Da bi se sve varijable ujednačile po rasponu, tačnije varijabihiosti skorova
(vidi kasnije poglavlje), uvode se tzv. standardizovani ih z-skorovi koji se izraču-
navaju kao:
/ Gj = (x^. - Mj) l o j , [38]
gde je Oj standardna devijacija varijable j (vidi kasnije mere varijabilnosti). Iz
gomje jednakosti vidimo da se standardizovani skor dobija tako da se devijacioni
skor podeli sa standardnom devijacijom.
Ispitanik koji ima prosečan rezultat na nekoj varijabli dobiće na toj varijabli
standardni skor jednak nuli. Ako je taj ispitanik ispodprosečan, njegov skor će biti
negalivan, a ako je iznadprosečan, skor će mu biti pozitivan. Takođe, ako je
njegov skor jednak veličini jedne standardne devijacije, njegov standardni skor na
toj varijabli će biti jedan. Analogno, ako vidimo da neki ispitanik ima z-skor od
-1,5, znaćemo da je na toj varijabli postigao rezultat od jedne i po standardne
devijacije ispod proseka.
Na osnovu standardnih (ili standardizovanih) skorova se mogu porediti
ispitanici na različitim varijablarna i zato se ovi skorovi praktično uvek koriste
kada se u statistici dovode u vezu različite varijable. To se posebno odnosi na
multivarijatnu statistiku koja po defmiciji analizira više varijabli odjednom.

4. Normalna distribucija

-3CT -2<J -1CT 0 1CT 2ct 30

IVI

Slika 12. Normalna distribucija

Na shci 12 prikazali srno distribuciju jedne varijable čiji su skorovi standar-

dizovani i pri tome je ta varijabla perfektno normalno distribuirana. Vrh distribu-
cije se poklapa sa: a) prosekom, odnosno aritmetičkom sredinom distribucije, b)
medijanom i c) modom , koji su svi u ovom slučaju jednaki nuli jer su skorovi
standardizovani. Opšti oblik distribucije jc zvonast, pa se nonnalna dislribucija
često naziva zvonastom krivom (iako i mnoge druge distribucije, kao što su
distribucija, t distribucija i druge mogu pod određenim uslovima biti zvonaste).
Kada pogledamo apscisu vidimo đa je na slici prikazan raspon z-skorova od
oko -3 do +3. Vidimo^^ da se u tom rasponu nalazi oko 99,73% slučajeva. Zbog
toga je uobičajeno da se za praktične svrhe normalna distribucija prikazuje i kori-
sti u rasponu od -3 do +3 standardne devijacije. Naravno, teorijski, z-skorovi se
kreću u rasponu od do +<» (od minus beskonačno do plus beskonačno), ali taj
maksimalni raspon dodaje prikazanom svega 0,27% slučajeva i praktično se može
zanemariti.
Lagano osenčena oblast pokriva 68,27% slučajeva. To je čuveno svojstvo
svake teorijske statističke distribucije, pa i normalne, da, ako znamo z-skor,
možemo da odredimo koliki procenat ispitanika se nalazi ispod, odnosno iznad
tog skora. Ti procenti se u statistici obično nazivaju percentilima, pa ako kažemo
da je neki ispitanik na 80-tom percentilu, to znači da 80% ispitanika ima niži skor
od njega, a 20% viši. I obrnuto, ako znamo percentil i oblik distribucije, možemo
da izračunamo (ili izvadimo iz tablica) skor. Na normalno distribuiranoj varijabli
ispitanik koji je na 80-tom percentilu imao bi z-skor od oko +1,28, jer iz
statističkih tablica vidimo da oko 80% slučajeva leži između z - s k o r o v a i 1,28.
Da bi se opisala neka, bilo kakva distribucija, pa i normalna, treba navesti
nekoliko (što više) pokazatelja koji je opisuju (kasnije ćemo videti koji su to
pokazatelji). Za normalnu distribuciju treba minimalno navesti prosek i standard-
nu devijaciju. Zato kada se kaže da distribucija ima A/=50,75 i o=13,89 (kao u
donjem primeru) i da je pribhžno normalna, istraživač može odmah znati da se
približno 68% slučajeva nalazi u rasponu M ±\a, tj. izmedu 36,86 i 64,64 godina.

-3cr -2a - la Q, icr

Slika 13. Kumulativna normalna distribucija - ogiva.

Kad kažcmo „vidimo” to znači da gledamo u statističke tablice koje se mogu naći
na kraju svakog statističkog udžbenika. Stalističke tablice u kojima se nalaze proporcije
(procenti) kojc ovdc navodimo se obično nazivaju „površina pod nomialnom krivom” ili
„površinc pod standardnom nomialnom krivom”.
 Na slici 13 je prikazana tzv. kmmilativna noiinalna distribucija, ili kako se
popularno naziva - ogiva. To je funkcija koja prikazuje kako se kumulira broj,
odnosno procenat slučajeva sa porastom skora na apscisi (u ovom slučaju
standardizovanog skora). Vidimo da aritmetička sredina leži na 50% slučajeva, a
na slici su prikazani i prvi i treći kvartil koji će biti objašnjeni u poglavlju o mera-
ma varijabilnosti.

B. Deskriptivna statistika

Pi-vi korak koji istraživača čeka nakon prikupljanja podataka je brz i efika-
san pregled onoga šta se dobilo. Toni prilikom se uvek utvrdi da neke varijable
,,ne rade”, odnosno da nemaju varijabiliteta, da kod drugih varijabli (posebno
nominalnih) neke kategorije imaju vrlo niske frekvencije pojavljivanja, da kod
mtei-valnih varijabli postoje ekstremi (recimo da postoje ispitanici stari jednu ili
101 godinu) i razne dnige stvari o kojima teorija ne kaže ništa, a stvarna istraživa-
nja stahio govore o tome. Ovaj prvi korak svake analize podataka se na engles-
kom zove „data screening” ili „data cleaning” i njegova namena je validacija
podataka.
Nakon što se greške, nepravilnosti, propusti i nelogičnosti u podaeima
otklone, islraživača konačno interesuje da vidi šta je dobio. Sve te preglede i
uvide u dobijene podatke nazivamo deskriptivnom statistikom.
Medutim, defmitivna deskripcija distribucije varijabli obično nije sania po
sebi cilj. Cilj su generalizacije sa uzorka na populaciju, jer će društveni istraživač
težiti da njegovi zaključci budu što univerzalniji i da nc važe samo za grupu Ijudi
koje je ispilao, nego za sve Ijude koji pripadaju toj populaciji. Ako se u anketnom
istraživanju utvrđi da je 50% Ijudi odgovorilo da su religiozni, istraživač će
nastojati da to uopšti na čitavu državu/republiku u kojoj je istraživao. Naravno,
on će u tom uopštavanju biti onoliko u pravu koliko je uzorak bio reprezentativan.
U ovom smislu, uopštavanja na populaeiju, deskriptivna statistika je deo
onoga što statističari zovu statistikom ocenjivanja. Statistika ocenjivanja služi da
se na osnovu dobijenih aritmetičkih sredina, standardnih devijacija ili relativnih
frekvencija (procenata) oceni koje su njihove vrednosti u populaciji. Dobijene
vrednosti na uzorku su statistici, a vrednosti u populaciji su parametri (v.
kasnije).
Nije uvek u praksi istraživača da se deskriptivna statistika koristi za genera-
lizacije, niti je to uvek potrebno (recimo u inicijalnim, ekspiorativnim istraživa-
njima). No, deskriptivna statistika se uvek koristi u kvantitativnim studijama,
barem za validaciju i deskripciju dobijenih podataka. Ako se koristi samo sa tim
ciljem, onda pripada spomenutom prvom zadatku statističke analize invididualnih
razlika - kvantifikaciji.
 Kad kažemo „deskriptivna”, mislimo prvenstveno na opis distribucije
slučajnih varijabli. Dakle, važno je da istraživač razunie da je to prvenstveno
tehnički termin i da se odnosi na distribuciju frekvencija varijabli iz istraživanja.
Distribucija frekvencija odražava dobijcnu raspodelu skorova” na uzorku i
fundamentahii je statistički pojam.
Kod kontinuiranih, uslovno kontinuiranih (npr, onih koje su nastale broja-
njem) i intervahiih varijabh, da bi se dislribucija frekvencija što prcciznije opisa-
la, potrebno je predočiti nekoliko važnih podataka. Ti podaci se niogu grupisati u
tri gmpe:
• mere centralne tendencije,
• mere varijabilnosti i
• mere obUka distribucije.
Statističari koriste jedan univerzalan tennin za sve ove mcre/pokazatelje -
momenti distribucije. Bez kompletnog navoda svih tih pokazatclja ne možemo
steći pravihiu sliku o distribuciji kontinuiranc varijable.

1. Param etri i statistici

Varijable koje merimo na uzorku shiže nam da bismo oceniH stcpen prisu-
stva tih varijabli u populaciji. Recimo, ako ispitujemo stepen znanja o SIDI
(pomoću nekog testa znanja) ili količinu alkohola koliko Ijudi popiju nedeljno,
nas inleresuje situacija u našoj zemlji uopšte (ili eventualno kod omladine). Kad
bismo stvarno mogli da ispitamo sve omladince dobili bismo distribuciju tih vari-
jabli na populaciji.
Mcre centralne tendencije, varijabilnosti i oblika distribucije na populaciji
nazivaju separametrima. Na primer, najpoznatija mcra centralne tendencije, arit-
mctička sredina, u populaciji je jcdan od parametara distribucije ncke varijable.
Isla ta aritmetička sredina, kada se izračuna na uzorku naziva se .statistilrom
(naglasak je kao kod „kolerikom”). Značaj razlikovanja statistika i parametara se
krije u sledećem prostom iskazu: statistici nam služe da ocenimo koliki su para-
metri. Citava ta oblast statistike, ocenjivanje parametara iz statistika se naziva
.•italistikom occnjivanja.
U slatistici je uobičajeno da se parametri označavaju grčkim slovima, p a je
aritmetička sredina populacije /i, a standardna devijacija a, dok su aritmetička
sredina i standardna devijacija uzorka i populacije M \ s. Medutim, mi se ovde
nećemo držati tog potpuno opravdanog pravila, najviše zato što je postalo
uobičajeno da se standardna devijacija označava grčkim malim slovom sigma, a,
bilo da se radi o parametru, bilo da se radi o statistiku.

” Pod „skorom” se u psihomctriji podrazumeva ukupni skor iia nekom lcslu, upitniku
ili skali stavova ciobijcn sabiranjem odgovora na pojedinačnim ajtcmima. Mcđutiin, u žar-
gonu sc koristi i/jaz „skor” za bilo koju mcru ili rezultat koje jc ispilanik dobio.
 2. Mere centralne tendencije

Mere centralne tendencije su; aritmetička sredina, međijana i mod. Na slici

14 je prikazana distribucija frekvencija jedne varijable. Tip grafičkog prikaza
distribucije koji srao ovde iskoristili naziva se histogramom (postoje i druge
mogućnosti da se grafički prikaže distribucija frekvencija, vidcti kasnije poglavlje
o grafičkom prikazu rezultata). U pratećoj tabeli 16 dati su glavni pokazatelji
distribucije ove varijable.

Tabela 16. - Deskriptivna statistika varijable starost

Statistik Vrednost Statistik Vrednost
Veiičina uzorka (n) 872
Aritrnetička sredina (Af) 50,75 Std. greška M 0,47
Medijana (Mdii) 49,00 Mod {Mod) 50
Standardna devijacija {a) 13,89 Varijansa (cr) 192,87
Asimetrija 0,363 Std. greška asimetrije 0,083
Zašiljenost -0,509 Std. greška zašiljenosti 0,165

o
c
II)
ž
ai

25.0 35,0 45,0 55.0 65,0 75,0 85,0

Starost

Slika 14. Distribueija frekvencija za varijablu starost

Za većinu potreba dovoljna je prateća tabela sa numeričkim pokazateljima.

Grafikon sa slike 14 je koristan isključivo za brz i lak uvid u oblik distribucije
varijabli. Na tom grafikonu je ucrtana aproksimativna krivulja distribucije koja bi
se dobila kada bi varijabla bila stvarno kontinuirana i kada bi uzorak bio vrlo
veliki. Statistički programi obično nude mogućnost da se docrta takva aprok-
simativna krivulja. Vidimo da ovde ta krivulja liči na norm alnu (zvonastu) krivu,
ali ne potpuno.
Normalna distribucija ima svojstvo da su na njoj sve spom enute mere
centralne tendencije jednake. Sto distribucija više odstupa od norm alne, to će
razlike između ovih mera bivati veće. lako su kod normalne distribucije sve tri
mere jednake, statistička teorija nam kaže da je aritmetička sredina najbolja ocena
parametra populacije (egzaktno rečeno; to je nepristrasna, efikasna i ocena sa naj-
manjom standardnom greškom). Zato se aritmetička sredina najviše koristi kao
pokazatelj centraine tendencije distribucije kontinuiranih numeričkih varijabli.
Istovremeno, u statistici, aritmetička sredina se naziva pi-vim m om entom takve
distribucije.
Nakon kratkog uvoda u matematički jezik statistike koga smo dali u jednom
prethodnom odeljku, egzaktnu fomiulu za aritmetičku sredinu ili srednju vrednost
možemo napisati kao:

t-,
M ■= — ---- , za svako j , ili kao:
I*. ,
M ■= —-------
=
[39]
^ n n j = \,...,m

Formula kazuje da se sabira svih n vrednosti u j-to j koloni matrice X i zbir

podeli sa n. Pri tom e,7-ta kolona matrice predstavlja neku varijablu, kao što je
ukupni skor na testu, ajtem, ili bilo šta drugo. Vrednost aritmetičke sredine u
navedenoj tabeh iznosi 50,75, što znači da je prosečna starost u našem uzorku od
872 ispitanika bila 50,75 godina.
U literaturi se za oznaku srednje vrednosti koristi često oznaka X ili x
(čita se ,,x bar”), ponekad m, a nekada AS (od aritmetička sredina). Osirn aritme-
tičke sredine, kao pokazatelji srednje vrednosti postoje i harm onijska i geom et-
rijska sredina koje mogu biti bolji pokazatelji srednje vrednosti za neke vrste
podataka.
Ako kr-enemo po apscisi na sHci 14 s leva na desno, možemo zam isliti da
kumuliramo broj slučajeva koji se nalaze ispod neke granične starosti. N a primer,
ispitanika koji imaju 25 i manje godina ima 1,1%, 30 i manje godina 5,4%, 35 i
manje godina 13% itd. Tako bismo došli do granice od 49 godina i ustanovili bis-
mo da ispitanika koji imaju 49 i manje godina ima tačno 50%. To je medijana, što
znači da je medijana ona vrednost varijable ispod koje se nalazi 50%) slučajeva.
Mod, modus ili modalna vrednost je u našem prim eru 50. To je ona
vrednost varijable koja se najčešće pojavljuje (ima najveću frekvenciju). Ispitani-
ka od 50 godina u našem primem ima 37, sa 49 godina 34, sa 40 godina 31 itd.
N a osnovu grafikona vidimo da distribucija ima tri vrha, od kojih je ipak najviši
onaj na 50 godina. Može se desiti da distribucija ima dva ili više m odova (vre-
dnosti sa istim, najvišim, frekvencijama). Taj podatak, o postojanju više vrhova,
bilo sa istom, ili približno istom frekvencijom, može biti značajan za istraživača.
Distribucije koje imaju jedan vrh se nazivaju unimodalnim, distribucije koje
imaju dva vrha se nazivaju bimodalnim, a one sa više vrhova polimodalnim.
Bimodahie distribucije se po pravilu javljaju kada postoje dve nehomogene gnipe
po vrednostima varijable - često su to polovi. Dakle, na osnovu prostog pregleda
histograma, istraživač odmah može pretpostaviti da postoje dve grupe ispitanika
u njegovom uzorku koje se značajno razlikuju po merenoj varijabii.
Zasada ćemo samo skrenuti pažnju na to da se u našem primeru sve tri mere
centrahie tendencije razlikuju, i posebno na to da je medijana manja od aritmeti-
čke sredine {Mdn < M). Značaj ovog nalaza ćemo kasnije detaljnije objasniti, a
sada se može reći da je to rezultat toga što naša distribucija ima pozitivnu asimet-
riju. U praksi, kada su distribucije unimodalne i kadanisujako nagnute, pokazalo
se da ove tri mere centrahie tendencije stoje u sledećem odnosu:
M - M od = 'i{M —Mdn), [40]
što znači da kod pozitivno asimetričnih distribucija obično važi Mod<Mdn<M, a
kod negativno asimetričnih distribucija M<Mdn<Mod.
Aritmetička sredina ima puni smisao kod intervalnih i racio varijabH (prem-
da smo u glavi o teoriji merenja iz tabele na str. 94 videh da je već sam Stevens
uočio da za racio skale nije dobra aritmetička sredina, nego harmonijska i geo-
metrijska). Da li to znači da je neopravdano koristiti Af kod ordinalnih varijabii?
Istraživači, naime, često iniaju potrebe da izračunaju proSečni rang za pitanja u
kojima od ispitanika zalitevaju da poredaju neke stvari po značaju: npr. štetnost
pojava korupcije, najdraže obhke provođenja slobodnog vremena ili bilo šta
drugo. Podsetimo se udžbeničkog primera iz glave o teoriji merenja o Mohsovoj
skali tvrdoće materijala i činjenice da su merenja pokazala kako je mineral tvrdo-
će ranga 10 bio tvrdi od minerala ranga 9 nego što je mineral ranga 9 bio tvrđi od
minerala ranga 1. To govori o tome da intervali na ordinalnoj skah nisu definisani
i da mogu biti potpimo različiti. Recimo da imamo dve grupe po 3 minerala; prva
sa tvrdoćama 1, 9 i 9, a dmga sa tvrdoćama 1, 1 i 10. Prosečan rang prve grupe je
6,3 a druge 4, što bi značilo da je, uproseku, prva gnipa tvrđa od druge. Medu-
tim, to nije tako, jer je mineral ranga 10 mnogo tvrdi odm inerala ranga 9.
S diTige strane, kada na vehkom uzorku pitamo šta Ijudi više vole da rade u
slobodnom vremenu tako da sa 1 do 10 rangiraju 10 ponudenih aktivnosti, onda
nije besmisleno ako utvrdimo da je prosečni rang gledanja televizije 1,8 (npr.), a
čitanja knjige 9,1. N a osnovu toga ne možemo da kažemo da Ijudi 5 puta više vo-
le da gledaju televiziju (jer rangovi ne podrazumevaju intervale), ali možemo da
kažemo da su Ijudi češće rangirali gledanje televizije kao više omiljenu slobodnu
aktivnost od čitanja knjige. Tačnije rečeno, mi smo računajući prosečni rang
uprosečili brojeve koje su ispitanici upisivali, a ne njihovu emocijupreferencije.
To dolazi od toga što pomenuto pitanje nije konstruisano tako da meri stepen pri-
sustva emocije (odnosno da fundamentalno dodeli broj emociji, po Kembelovom
drugom zakonu), nego samo da uspostavi poredak između različitih aktivnosti.
 Dakle, kad istraživač računa prosek ordinalne varijable, on mora biti
svestan da računa prosek brojeva, a ne prosek osobine i da prosečni rang za neke
svrhe može da posluži, a za druge ne. Još bolje je ako istraživač za mem centralne
tendencije odabere niedijanu ili m odalnu vređnost. Ove dve mere nisu osetljive na
intervale i na ekstremne vrednosti, a po Stevensovoj podeli, medijana je name-
njena ordinalnom nivou (mod je, po toj podeli, namenjen nominalnom nivou).
Poznat je primer sa računanjem prosečnog broja đece u porodici. S obzirom
da je to diskontinuirana varijabla (nastala brojanjem), prosek od 2,8 dece po poro-
dici može da izgleda čudno. M eđutim, veći problem je u tome što je distribucija
broja dece pozitivno asimetrična (vidi kasnije poglavlje), što znači da jedan mali
broj porodica ima veliki broj dccc. Ta činjenica utiče na aritmetičku sredinu
povećavajući je i na osnovu proseka od 2,8 dece mogli bismo zaključiti kako
bismo trebali, u proseku, računati na 5-članu porodicu. Međutim, to nije tačno
ako iz deskriptivne statistike vidim o d a j e modalna vrednost broja dece 2 i da je
medijana nešto viša. Modus i medijana govore o učestanostima, pa na osnovu
njih ispravno zaključujemo da je tipična porodica četvoročlana, a ne petočlana.

3. Mere varijabilnosti

Mere varijabilnosti su varijansa, standardnadevijacija, prosečno odstupanje,

semilcvartilni opseg i opseg. Osim ovih, postoje još neke mere koje se mogu sresti
u udžbenicima, ali se one ili ne koriste često ili su izvedene iz navedenih.
V a r i j a n s a varijable se može napisati kao:

[41]

U jednakosli [41 ] krajnji desni izraz predstavlja tzv. formulu za ručno raču-
nanje varijanse. V arijansaje, mogli bismo reći, centralni statistički pojam. Vrlo je
važno da se zna da je ona „čist broj”, tj. da se ne izražava u jedinicam a u kojima
je merena varijabla. N aprim er, u našem prim eru varijansa starosti je 192,87, ah to
ne znači 192,87 godina. N ajbolje je da se o varijansi misli kao o površini, što
ćemo kasnije još demonstrirati na V enovim dijagramima (u poglavlju o korelaciji
i regresiji). Na normalnoj distribuciji sa slike 12 smo varijansu simbolički označili
tamnije osenčenim kvadratom.
Cuvena standardna devijacija neke varijable je prosto:

odnosno kvadratni koren iz varijanse. Za razliku od varijanse, standardna devija-

cija se izražava u jedinicam a u kojim a je varijabla merena - u našem primeru u
godinama. Kao što smo rekli u odeljku o normalnoj distribuciji, na našem primeru
možemo očekivati da će oko 68% slučajeva (oko 590) biti stari između 36,86 i
64,64 godina.
Prosečno odstupanje ili prosečna devijacija je prosek apsolutnih vrednosti
devijacionih skorova, dakle bez obzira na predznak. To se može napisati kao:

Semikvartihv opseg koji se obično označava sa Q je polovina raspona

srednjih 50% slučajeva. Na slici 13 su prikazani prvi i treći kvartil, označeni sa
Qi i Q}. Kvartili su četvrtine broja shičajeva, dakle postoji 4 kvartila. Drugi
kvartil je na 50%, odnosno jednakje medijani. Uobičajeno je da se podele broje-
va slučajeva označavaju sa sufiksom ,,li” : npr. percentili za procente, decili za 10
procenata, kvartili za 25 procenata itd.
Razlika Q^ - Qj se naziva interkvartilnim odstojanjem, a polovina te
razlike:
e = ( a - a )/2 [44]
se.naziva semikvartilnim odstojanjem (opsegom ili devijacijom). Na osnovu Q i
(2 j - Qi), kao i njihovog odnosa prema drugom kvartilu - medijani, može se
zaključiti o opštoj varijabilnosti varijable i asinietričnosti distribucije. Semikvar-
tilno odstojanje ima smisla koristiti ukoliko je distribucija defonnisana na krajevi-
ma, npr. ako ima ekstremne vrednosti, ako ima modahie vrednosti na nekom od
krajeva i sl.
Opseg ili raspon varijable je prosto razlika između najvišeg i najnižeg
skora. Ova mera se često navodi u deskriptivnoj statistici da bi se otkrilo ukoliko
postoje tzv. ekstremi. Međutim, kao pokazatelj varijabilnosti, raspon je suviše
gruba mera za praktičnu upotrebu.
Ako je distribucijapribližna normalnoj (unimodalna i simetrična) onda važe
sledeći odnosi izmedu ovih mera:
1,483 2 = 1,253 MD. [45]
U upotrebi se još može naći tzv. koeficijent varijacije koji se računa kao:
K=( f f / A/ ) * 100, [46]
što je, dakle, procentualni odnos standardne devijacije prema aritmetičkoj sredini.
Koeficijent V se ponekad koristi da bi se poredile varijabilnosti različitih grupa
objekata na istoj varijabli, jer te grupe mogu imati približne M, a različite a, ili
obratno, što čini da se na osnovu tih odvojenih statistika grupe ne mogu lako
uporediti. Takođe, Kje „čist broj”, dakle ne zavisi od jedinice mere, pa se mogu
porediti distribucije grupa na različitim varijablama, ali je V, sam po sebi, poka-
zatelj bez posebnih kvaliteta.
 4. Mere oblika distribucije

Čitalac je dosada već mogao da uoči značaj koji ima oblik distribucije za
interpretaciju dobijenih podataka. U uvodnim poglavljim a o teoriji m erenja su
ukratko razmotreni tzv. statistički uslovi, između ostalili i pretpostavka normalne
distribucije. Tamo je rečeno d aje normalna distribucija stvarno univerzalni model
distribucije većine društvenih pojava. Osim toga, normalna distribucija ima
mnoga veoma povoljna svojstva za teorijsku statistiku, pa je većina statističkih i
m ultivarijatno-statističkih metoda bazirana na modelu normalne distribucije.
Medutim, važno je da se ponovo naglasi da je normalna distribucija teorijski
model merenja i statistički model, a ne model podataka.
Imajući u vidu da je normahia distribucija model merenja, ako dobijemo
pribhžno normalno distribuiranu varijablu znamo nekoliko stvari: a) individualne
(iH gi-upne) razUke koje sadrži ta varijabla nastale su delovanjem veHkog broja
nesistematskih i nepovezanih faktora i b) procedura našeg merenja nije imala
uticaja na ukupan ishod merenja (uključujući i nepristrasno biranje uzorka).
S druge strane, pokazano je kako ne treba očekivati da će sve pojave kojim a
se bave driištvene nauke biti normahio raspodeljene. Navedeni su telesna težina i
starost, a može se navesti i broj dece u porodici i sve pojave koje u sebi
odražavaju interese i motivaciju. N a primer, distribucija vremena dolaska na
posao je asimetrična jer Ijudi uglavnom kasne, a vrlo retko ranije dolaze na posao.
Isto tako, distribucija razhka plaćene i dobijene kohčine robe je asim etrična je r
prodavci imaju interes da daju manje robe, a ne više itd. Takode, zbog psihomet-
rijskih zakona, ukupni skorovi instrumenata kao što su skale stavova, psihološki
testovi i upitnici neće bili normalno raspodeljeni, nego će biti spljošteni.
Sve u svemu, istraživač ne treba da pridaje značaj „pretpostavci normalne
distribucije” veći nego što ga ona ima. Ono zbog čega obhk distribucije mora biti
važan istraživaču je pravilo koje je gore spomenuto: ako distribucija nije
normalna (a očekivalo bi se da jeste), onda smo ih našim merenjem uticali na
dobijene rezultate, ih je u uzorku preovladao uticaj nekog malog broja faktora na
ponašanje ispitanika. N a primer, ako je distribucija nagnuta možda je naš test bio
suviše težak (pa ga većina nije rešila), ili su naša pitanja bila suviše drastična u
smislu da su izražavala suviše ekstremne stavove, pa se većina ispitanika sa njima
nije mogla složiti. To su primeri kada bismo rekh da je procedura m erenja uticala
na ishod. Drugi primer je, recimo, sa bimodahiom distribucijom čiji vrhovi odgo-
varaju polovima. U tom slučaju bismo rekli da je na individualne razlike veliki
uticaj imala razlika u polu ispitanika.
U tumačenju mera centralne tendencije rekli smo da se iz međusobnog
položaja moda, medijane i srednje vrednosti može zaključiti o asimetričnosti
distribucije. Slika 15 govori više od reči. Ako postoji asimetrija distribucije, onda
će postojati tendencija da aritmetička sredina bude sa one strane medijane i
posebno moda, na kojoj strani postoji asimetrija. Ako je asimetrija pozitivna (duži
desni krak distribucije, više ispodprosečnih slučajeva ili postoje ektremni visoki
slučajevi), onda će prosek biti veći od medijane i od moda. I suprotno, ako je
srednja vrednost niža od medijane i moda, onda je asimetrija negativna (ima više
iznadprosečnih slučajeva ili ekstremno niskih shičajeva). Koristi se i temiin
nagib; pozitivno asimetrična distribucija je nagnuta udesno, a negativno asimet-
rična ulevo.

Slika 15. Asimetrija (nagib) distribucije

Na engleskom se asimetrija čcsto naziva skewness, pa se i kod nas koristi

taj naziv - skjunes (zakošcnost, nagib). Mera asimetrije se može precizno izraču-
nati i u statistici se naziva trcćim momentom distribucije. Ova mcra je jednaka
nuli ako je distribucija simetrična, a u protivnom imaće nenultu vrednost i imaće
isti predznak koji ima asimetrija.
SPUOŠTENOST

(b) Platikurtična (c) Mezokurtična

Slika 16. Spljoštenost distribucije - kurtozis

Na slici 16 je pritcazan drugi aspekt poremećaja oblika distribucije - spljoš-

tenost. Vrlo često se koristi i engleski izraz kurtozis (engl. kurtosis) iako on ima
iipravo suprotno značcnje - zašiljenost. Zašiljene distnbucije su leptokurtičnc, a
spljoštene platikurtične. Kurtozis sc prccizno izračunava kao četvrti moment
distribucije i u originainoj formuh ima vrednost 3 za mezokurtičnu (normahiu)
distribuciji. Da bi se to učinilo prihvatljivijim za korisnike, obično se od sirove
vrcdnosti oduzinia 3, tako da ideahia distribucija dobija vrednost koeficijenta
spljoštenosti nula, spljoštene distribucije dobijaju negativnu vrednost, a zašiljene
pozitivnu.
Distribucija varijable starost sa shke 14 ima blagu pozitivnu asimetriju
(slijunes = 0,363) i bhigo je spljoštena (kurtozis = -0,509).
Osim ove dve deformacije distribucije relevantna je i poliniodalnost. Poh-
modalnost se može lako utvrditi ukoHko distribucija ima više od jednc vrednosti
sa najvišom frekvencijom (međusobno razmaknutih). Tu situaciju često signah-
ziraju softverski paketi kada prikazuju deskriptivnu statistiku varijable (tekstom
upozorenja). Međutim, ako vrednosti nemaju baš istu frekvenciju, ali ipak višu
nego susedne vrednosti, onda treba pogledati hislogram (kao na slici 14) ili
poligon frekvencija, gde se polimodalnost lako uočava.
Postoje statistički testovi kojima se ispituje sličnost distribucije sa normal-
nom. Klasični testovi su Kolmogorov-Smirnovljev test (nazvan po ta dva ruska
statističara), koji nalazi mesto gde jc najveća razlika izmedu dobijene i normalne
distribucije, i test, koji uvek testira razlike između dve distribucije, pa i u ovom
slučaju. test ispituje sve razlike između dobijene i normalne distribucije, a
Kolmogorov-Smirnovljev samo najveću, Noviji test normalnosti distribucije je W
test Shapiroa i Wilksa.
U praksi, optimalni uvid u oblik distribucije se postiže vizuelno, iz dobrog
hislograma ili poligona frekvencija, a najlakši uvid je pomoću koeficijenata
asimetrije, spljoštenosti i normalnosti.

5. Standardne greške i intervali poverenja

Zamislimo da smo bili uporni i da smo nastavili da izvlačimo slučajne

uzorke od ;i=872 iz naše populacije (u konki'etnom primeru radi se o populaciji
invalidnih osoba). Ako je to bio prosti slučajni uzorak (,,iz šešira”), za svaki ćemo
dobiti distribuciju varijable starosti, sličnu onoj prikazanoj na slici 14 i tabeli 16.

Distribucije će biti slične, ali ne identične. Neke će imati viši prosek, neke će
imati veću varijabilnost itd. Recimo da smo ih sve nacrtali na istom grafikonu.
Dobićemo približan prikaz kao na slici 17.
Šta je ključni utisak ako posmatramo aritmetičke sredine? lako poneke zna-
tno odstupaju na jednu ili na dmgu stranu vidimiO da se većina grupiše oko jedne
srednje vrednosti. Recimo da smo nakon računanja deskriptivne statistike za svaki
uzorak unosili podatak o svakoj aritmetičkoj sredini u računar. Dobili bismo
jednu slučajnu varijablu za koju bismo mogli izračunati deskriptivnu statistiku.
Naime, la slučajna varijabla inia vlastitu distribuciju koja se naziva distribucja
uzoraka (engl. sampling distribution) aritmetičke sredine.
Slalistička teorija i zdrav razum kažu da će aritmetička sredina te slučajne
varijable biti sličnija aritmetičkoj sredini populacije - parametru - što veći broj
uzoraka izvadimo. Još važniji pojam je pojam standardne devijacije te slučajne
varijable. Standardna devijacija distrihucije uzoraka aritnie/ičkih sredina na n
uzoraka se naziva standardnom greškom aritmetičke sredine. Ako smo izvukli
sve moguće iizorke veličine 872 iz naše populacije, jezikom fonmila se gornji
iskazi mogu napisati kao:
[47]
gde je i-i aritmetička sredina populacije, a prosečna M svih izvučenih uzoraka.
U sledećoj fomiuli;

[48]
V«
ffj,je standardna devijacija distribucije uzorka aritmetičke sredine, a standardna
devijaeija merene osobine u populaciji - parametar.
Centralna granična teorema nam govori da će distribucija uzoraka srednjih
vrednosti biti normalna. Iz gomje fonnule vidimo da će njena varijabilnost biti to
manja, što su uzorci veći (jer je obmuto proporeionalna korenu iz veličine iizor-
ka). Šta to znači? To znači da što su uzorci veći, to je standardna greška aritmeti-
čke sredine manja. Pošto je greška manja, M uzorka će biti preciznija ocena para-
metra populacije.
Kako se taj zaključak koristi u statistici? Tako što se pomoću standardnih
grešaka formiraju tzv. intervalipoverenja. Pošto je distribucija uzoraka normalna,
intervali poverenja se jednostavno formiraju po formuli M±z^a^,, gde je z^.
granična vrednost. Ako je z^=l ,96, smatramo da će sa 95% sigurnosti, vrednost
populacije/y, ležati u rasponu A/±l,96ff^,. Prema tome, saslike 17 možemo zaklju-
čiti kolika je verovatnoća da će parametar populacije ležati u nekom rasponu sre-
dnjih vrednosti. Intervali poverenja se, takode, nazivaju marginom greške između
rezultata dobijenog na uzorku i vrednosli populacije (o intervalima povercnja biće
još reči u poglavlju o korisnosti testiranja nulte hipoteze).
Standardna greška aritmetičke sredine (kao i bilo kojeg drugog statistika) se
u praksi ocenjuje iz uzorka, na isti način kao što se i ostaii parametri ocenjuju iz
uzorka. U novije vreme, pošto su personalni računari postaii veoma brzi, u
komercijalnim statističkiin paketima se iialazi tzv. tehnika resamplinga (sreće se
još pod nazivima Monte Carlo, bootstraping ili jackknifing), gde se veštački iz
našeg stvarnog uzorka izvlače dmgi uzorci (veličine n - 1) i za njih računaju distri-
bucije uzoraka. Tim načinom se mogu vrlo egzaktno izračunati standardne greške
za sve slatistike i u uslovima kada ocenjivanje standardne greške nije pouzdano
(recimo kad su uzorci mali). Dakle, ocena standardne greške Mj, za varijablu j , iz
uzorka računa se kao:
 n

Kada imamo ovako ocenjenu standardnu grešku, a znamo da je distribucija

uzoraka nonnalna, onda lako moženio uspostaviti interval poverenja. Treba samo
odlučiti koji nivo poverenja želimo. Uobičajeni nivoi poverenja su 95% i 99%.
Da bismo dobili površinu pod nomialnom krivom, trebamo iz statističkih tablica
pogledati kojaje to kritična vrednost z-a\a\\sti\ndL (označimo je s a z j koja omeđuje
odabrani nivo poverenja, Dobro je poznato da ovim dvama nivoinia odgovaraju
z^=l,96 i z= 2,58. Interval poverenja za aritmetičku sredinu dobićemo onda jedno-
stavno kao M±z^a^^j.
Svaki statistik ima svoju distribuciju uzoraka i svoju formulu za izračunava-
nje standardne greške. Dodatna diskusija o logiei, formulama i interpretacijama
standardnih grešaka i intervala poverenja se nalazi u poglavlju o uzorkovanju.
Naime, ovaj deo statističkog ocenjivanja (ocenjivanja param etara populacije iz
statistika uzorka) je usko vezan i zasnovan na pitanju i problem u uzorkovanja.
Upravo zato smo konačna objašnjenja upotrebe intervala poverenja dali u poglav-
Iju o uzorkovanju.
hitervah poverenja se nazivaju intervalnim ocenama parametara, za razUku
od statistika, koji su tačkaste ocene. Statističari preferiraju intervahie ocene, što je
sasvim u skladu sa zdravim razumom. Kad god je moguće, treba izračunati stan-
dardnu grešku i interval poverenja.
Za većinu uobičajenih statistika razvijeni su teorijski modeh (jednačine)
distribucije uzoraka. Medutim, postoji i veliki broj statističkih pokazatelja za koje
ne postoje formule za distribuciju uzoraka. Iz toga sledi da se za njih ne može
izračunati standardna greška. Takvi pokazatelji su npr. faktorska opterećenja u
faktorskoj anahzi. Kad god neki pokazatelj zavisi od velikog broja faktora, vrlo je
teško odrediti zakone njegove distribucije.
Kasnije ćemo videti kako su statističari utvrdili ne samo zakone distribucije
uzoraka statistika, nego i pokazatelja koji se koriste u testiranju hipoteza. Recimo,
utvrđeno je da razlika aritmetičkih sredina dviju grupa sledi Z-raspodelu (tzv. Stu-
dentovu ih Gossetovu), odnos dve varijanse sledi F-raspodelu (Fi.sher-Snedecoro-
vu raspodehi), a zbir kvadrata razhka sledi x^-raspodelu. Zato mi, kad utvrdimo
npr. razliku izmedu dve aritmetičke sredine možemo lako utvrditi na kom je ona
percentilu, odnosno koliko je verovatno da možemo naći veću razliku.

6. Kategorijalne varijable

Dosada su svi primeri i objašnjenja bili namenjeni inter^'alnim varijablama.

Intervalne varijable mogu biti kontinuirane (numeričke, metričke) i diskontinui-
rane (kategorijalne, prekidne), ako nastaju prebrojavanjem. U okviru izlaganja o
teoriji mercnja pitanje kontinuiranosti je protumačeno kao pitanje teorijskog
modela, dok je svako praktično merenje uvek diskontinuirano. Intervalne skale sa
kategorijalnim podacima (kao što je npr. broj dece u porodici) se najčešće tretira-
ju na isti način kao da su kontinuirane varijable. U poglavlju o merama centralne
tendencije smo skrenuli pažnju na neke elemente interpretacije koje treba imati u
vidu kada se „kontinuirana statistika” primenjuje na kategorijalne varijable.
Kao što smo ranije rekli, što je nivo merenja viši, to su mogućnosti primene
statističkih nietoda veće. Nominalne varijable su uvek kategorijalne. Na njih se ne
može primeniti nikakav model kontinuirane raspodele. Nikakvim gledanjem kroz
prste se to ne može sakriti. Međutim, to ne znači da uopšte ne postoji deskriptivna
statistika i statistika ocenjivanja za nominalne varijable. Istraživači ponašanja
obično koriste statistike koji se odnose na frekvencije i proporcije, odnosno
procente.
Pošto su nominalne varijable diskretne (prekidne, kategorijalne), za njih ne
važi pretposlavka nonnahie, niti b ilo koje dnige kontinuirane d istrib u c ije . Za des-
kripciju kategorijalnih varijabli se najčešće koriste binomna i multinomna
distribucija. Binomna distribucija ima vrlo slične pokazatelje kao i normalna dis-
tribucija, i u slučaju kada je uzorak vrlo vchki, binomna distribucija postaje vrlo
slična noiTnahioj. No, statistici koji se računaju iz binomne distribucije su u
osnovi proporcije (striktno rečeno vcrovatnoće) i njihovi proizvodi.
Binomna distribucija je namenjena binamim varijablama i opisuje, na pri-
mer, situaciju bacanja novčića. Verovatnoća pojave pisma (kod pravilnog nov-
čića) je/)=0,50, a verovatnoća da se ne pojavi pismo je g=l-;j=0,50. Verovatnoća
se može oceniti iz uzorka kaop = f/n, gde je/frekvencija pojave pisma, a n broj
bacanja (tj. veličina uzorka). Aritmetička sredina binomne distribucije je:
M = np, [50]
a varijansa:

[51]
Ne primer, ako bacamo jedan novčić «=100 puta, prosečan broj pisama će
biti M=50, a standardna devijacija će biti a=5. Iz fonnule za binomnu distri-
buciju:'®

P if) =

može se izračunati verovatnoća da ćemo u «=100 bacanja našeg novčića dobiti

y^80 pisama i ona iznosi 4,23e-10 (odnosno 0,000000000423, otprilike četiri puta
u 10 milijardi ponovljenih 100-strukih bacanja).
Binomnara.spodelaje namenjena sitiiaciji kadapostoje dva ishoda: da-ishod
i ne-ishod, sa verovatnoćamap i q, pri čemu mora bitip+ q= \. Zatim na populaciji

Simbol „!” u n! i x! se zove faktorijel (izraz se či(a kao n faklorijel i x faktorijcl).

Faklorijcl je operacija ninoženja svih brojeva od 1 do označenc veličiuc: n!= n(n 1)(n 2)
(n-3)...l.
ponavljamo eksperiment (npr. bacamo novčić) n puta i interesuje nas da li će se
da-ishod javljati/ puta. Ako imamo višekategorijalnu varijablu, kao što je bračni
status, sa kategorijama:
1 . oženjen/udata 65%
2 . neoženjeiv'neudata 2 1%
3. razveden/razvedena 5%
4. udovac/udovica 9%
onda ne možemo direktno da primenimo model binomne raspodele, osim za svaku
kategoriju zasebno. Na primer, za kategoriju oženjen/udata bilo bi />==0,65 i
^7=0,35, a za kategoriju udovac/udovica bilo b ip^0,09 i ^=0,91. Međutim, teorij-
ska funkcija distribucije koja u celini opisuje ovakvu politomnu varijablu je mul-
tinomna, ali je ovde nećemo dalje obrađivati.
U glavi o uzorkovanju će biti obrađena tehnika ocenjivanja proporcija,
izračunavanja standardne greške ocena i intervala poverenja. Standardna greška
proporcije izračunava se prosto kao:

Kategorijalne varijable osim binomne mogu pratiti i druge teorijske modele

raspodela. Naročito je primenjiv model multinomne raspodele, koji predstavlja
izvesnu generalizaciju binonme raspodele kada postoje više od dva ishoda (kao u
našem primeru sa bračnim stanjem). Medutim, momenti multinomne raspodele su
potpuno isti kao i momenti (npr. aritmetička sredina i varijansa) binomne raspo-
dele, jedino što se računaju za svaku kategoriju ponaosob.
Namena standardne greške proporcije je prvenstveno u izračunavanju
intervala poverenja. To je istraživaču važno da bi mogao da postavi intervabiu
ocenu parametra populacije - na primer koliko se može pouzdati u svoj nalaz da
će predsednički kandidat dobiti određenu proporciju glasova. Sledeća mogućnost
koju statistika nudi istraživaču u pogledu nominahiih varijabli je da komparira
dobijenu distribuciju frekvencija sa nekom teorijskom distribucijom. N a primer,
dobijena distribucija frekvencija za bračni status (u procentima) od 65-21-5-9 se
može uporediti sa nekom drugom raspodelom koja potiče iz nekog drugog
istraživanja, ili iz nekog popisa, koja na primer glasi: 60-23-7-10. Poređenje dve
distribucije frekvencija se po pravilu izvodi x’ testom (u ovom primem smo
naveli procente, p a t e s t nije primeren) i to može da posluži za testiranje tačnosti
dobijenih frekvencija neke nominalnc varijable.

7. Neka dodatna pitanja u vezi desl<riptivne statistil<e

U odeijku o merama centralne tendencije smo za aritmetičku sredinu rekli

da je ona najbolja ocena parametra populacije. Nažalost, to ne važi za sve
statistike. Primer toga je varijansa, koja je pristrasna ocena varijanse u populaciji
i to u smislu potcjenjivanja (niža je nego što bi trebala biti). Nepristrasna ocena
varijanse populacije iz varijanse uzorka se može izračunati iz:

n 2
a . f54]

Vrlo čest slučaj je da se u formulama za računanje varijanse i standardne

devijacije, a i u statističkim paketima automatski uvodi ova korekcija i to tako da
se sredi originalna formula za varijansu putem gornje formule i to kao:

z
t55]

Nekada se u outputu statističkih paketa ova korigovana varijansa naziva

„varijansom za populaciju” ili slično (nasuprot „varijanse za uzorak”).
N orm alizacija. - Rekli smo da se oblik distribucije, tačnije normalnost,
može oceniti na više načina. Ako dobijena distribucija odstupa od nomialne, a
istraživač oceni da je odstupanje artefakt nekili prolaznih uslova koji su važili
tokoin prikupljanja podataka (npr. selekcioniran uzorak, kratko vreme testiranja
ili slično), onda on može odlučiti da otkloni nenormalnost distribucije. Nenormal-
nost distribucije se može otkloniti različitim transfonnacijama varijable. To se po
pravilu radi nizom pokušaja i pogrešaka, dok se ne postigne zadovoljavajući
efekt, a rezultati ostanu interpretabilni (treba znati da transformacije mogu uticati
na rezultate na neželjen način, što zahteva oprez prilikom transformacije).
Za otklanjanje negativne asimetrije koriste se x-’ ili pozitivne asimelrije
Iog.x, , Mx ili 1/jr, a leptokurtičnosti arcsirtr. Složenija transfonnacija je tzv.
normalizirajuća transformacija koja se nudi u statističkim paketima i koja nonna-
lizira varijable putem primene inverznog integrala normalne distribucije.
E kstrcm i. - Ovaj problem može da muči inlervalne i racio varijable. Radi
se retkim ekstremnim vrednostima (eng. outliers) koje mogu veoma značajno da
utiču na rezultate testiranja razlika aritmetičkih sredma. Poznata je pojava ekstre-
ma kod varijabli koje mere iznose kao što su novčani iznosi, ili kod iaboratorij-
skih istraživanja kod varijabli koje prcdstavljaju npr. prisustvo hormona u krvi.
Pojava ekstrema je povezana sa odstupa:njem od normalnosti i može da se reši
transfonnacijama varijabli. Naravno, istraživač prvo mora da proveri da li ekstre-
mi nisu prosto posledica grešaka (ta se provera, zajedno sa drugim proverama,
uvek radi u preliminamoj fazi obrade podataka, nakon prve deskriptivne statisti-
ke). Ako se radi o stvamim ekstremnim vrednostima, onda istraživač može da
odluči da ih veštački „vrati u ra.spon”, ukoliko smatra da to neće ukloniti neke
važne informacije sadržane u ekstremnim vrednostima. Na primer, ako se radi o
mescčnim prihodima domaćinstva, a neki ispitanik je naveo iznos od 200.000 €
zato što je tog meseca prodao kuću, onda se taj ekstrem može tretirati kao efeme-
ran i bez značaja za praćenje standarda stanovništva. Zato istraživač može umesto
200.000 € da unese vrednost sledeće niže najveće vrednosti ili nešto slično.

C. Korelacija i regresija

U uvodnim poglavljima smo korelaciji dali veoma značajnu ulogu u empi-

rijskoj metodi uopšte, aposebno u statističkoj analizi individualnih razlika. Izuča-
vajući veze izmedu varijabli mi otb'ivam o skrivene izvore tih varijabli. Izu-
čavanje korelacija izmedu manifestnih varijabli nam služi za olkrivanje latentnih
varijabli.
Obično se razlikuju dve vrste povezanosti izmedu varijabli: funkcionalna i
statistička. Funkcionalna povezanost je ona koju definišu fizički zakoni (npr.
odnos zapremine gasa, pritiska i temperature) i ovde o njoj nećcmo raspravljati.
Nas interesuju statističke veze (nekada se nazivaju i stohastičkim, slučajnim
vezama), jer upravo takve veze možemo da utvrdimo u socijalnini istraživanjima.
I opet je situacija takva da je korelacija za normalno distribuirane intervalne
varijable najbolje defmisana i najkvalitetnija mera povezanosti izmedu varijabli.
Veza između ordinalnih i nominalnih varijabli, kao i kategorijalnih i onih koje
nisu normalno raspodeljene se, naravno, mogu utvrditi na različite načine, ali je
kvalitet statističkih pokazatelja povczanosti u tim slučajevima gcneralno niži.
Regresija je pojam koji je skovao Sir Francis Galton nakon što je uočio da
deca vrlo visokih roditelja nisu tako visoka kao oni, niti su deca vrlo niskih
roditelja tako mala kao oni. On je to prvo nazvao regresijom ka proseku, a zatim
je regresija dobila današnji smisao - kao veza (regresija) jedne varijable na drugu.
Regresija i korelacija su povezani pojmovi, po opštoj logici, jer su regresioni
koeficijenti i koeficijent korelacije u preciznom odnosu, ali postoje i neke suš-
tinske razlike.

1. Regresija

Na slici 18 prikazani su dijagrami raspršenja (eng. scatter diagram) za dve

varijable, x ij^. Na dijagramu (a) korelacija između ove dve varijable je lineama i
pozitivna, na dijagramu (b) korelacija je lineama i negativna, a na dijagramu (c)
korelacija je nulta. Da je korelacija (i regresija) izmedu varijabli lineama vidi se,
u principu, po tome što raspršenje sledi pravu liniju. Predznak korelacije je dikti-
ran nagibom linija regresije. Tačke na dijagramima predstavljaju objekte, recimo
ispitanike. Vidimo da na slici (a) objekti koji su niski na varijabli x teže da imaju
nisku vrednost i na varijablij^. Na slici (b) je to upravo suprotno, dok na slici (c)
ne postoji nikakva pravilnost u tom pogledu. O dijagramima raspršenja će još biti
reči na str. 538 gde će biti prikazani primeri nelineamih veza između pojava.

(a) Pozitivna lineariia korelacija (b) Negativna linearna koreladja (c) Nema korelacije
Slika 18. Korelacija i regresija dve varijable

To što su na dijagramima (a) i (b) ucrtane dve linije nije slučajno. Naime,
regresijanije jednaka k adaje sa varijable j^na^* i sa varijablej; nax. Zbog toga bi
regresione prave verovatno izgledale tako kako su ucrtane. Pogledajmo regresij-
sku jednačinu koja je prikazana na grafikonu (a):
/ = b,x + b„. [56]
Čitava jednačina u matematičkom smislu predstavlja lineamu funkciju,
odnosno u geometrijskom smislu defmiše jednu pravu. Zato se i ova jednačina
naziva linearnom regresijom (za razliku od nje, postoje i razne vrste nelinearnih,
krivohnijskih regresija). Vrednost b, se naziva regresionim koeficijentom i na
grafikonu prcdstavlja ugao, odnosno nagib regresione prave u odnosu na apscisu.
Vrednost je tzv. regresiona konstanta i na grafikonu defmiše visinu regresione
linije u odnosu na koordinatni početak. Zato se ovaj koeficijent često naziva
odsečkom.
U tenninologiji regresije, varijabla x se obično naziva nezavisnom varijab-
lom ih prediktorom, a varijabla y zavisnom varijablom ili kriterijumom. Ovi
nazivi su direktno izvedeni iz opšte namene regresione jednačine da se iz jedne
varijable prcdviđaju vrednosti druge varijable. Egzaktno napisana regresiona
jednačina zapravo glasi:
y = b , x + bo [57]
pri čemu / označava prediktovane, predvidene ili procenjene vrednosti varijable
y. Razlika ()' - f ) se naziva rezidualom - odstupanjem, a kvadrat te razlike (y -
je minimalan u odnosu na sve druge moguće jednačine jer regresiona jedna-
čina predstavlja liniju čiji su kvadrirani reziduali najmanji.
Na grafikonu (a) je ucrtana i verovatna druga regresiona linija, defmisana
regresionom jednačinom: x = a,y + a^. U terminologiji regresije, ta regresiona
linija opisuje regresijuj' na x.
Regresiona linija y = b,x + b„ poseduje različita zanimljiva svojstva,
korisna za izučavanje statističkih povezanosti između intervalnih varijabli. Jedno
od glavnih svojstava je to što ta linija zadovoljava „metodu najmanjih kvadrata”.
To je jedna od najčešćih metoda u matcraalici koja služi za fitovanje funkcija.
Radi se o tome, da ako raspršenje prikazano na slici (a) želimo da fitujemo (opiše-
mo, aproksimiramo) pravom linijom, onda će ta linija biti regresiona linija.
Regresiona linija je linija najmanjih kvadrata zato što su kvadrati odstupanja svih
tačaka od te linije (u odnosu na sve druge prave linije) najmanji. Kvadrati odstu-
panja, kao što smo malopre videli, u regresiji se nazivaju rezidualima. U praksi se
preponičuje da se u okviru interpretacije regresione analize posmatraju i reziduah,
a komercijalni statistički paketi nude različite pokazatelje za njihovu analizu,
Reziduaii su one informacije u varijabli y koje se ne mogu predvideti iz varijable
X . Cuvena jednačina Johna Tukeya glasi:

podaci = fil + rezidual.

Ova jednačina će pomoći čitaocu da razume ne samo logiku lineame regre-
sije, nego statističkog modeliranja uopšte. U svakom modelu postoji deo koji
„fituje” (odgovara stvarnosti) i deo koji ,,ne fituje” (ne odgovara stvarnosti). Plo-
donosna je analiza oba dela, iako istraživači obično tumače samo onaj prvi deo.
Regresioni koeficijent bj se izračunava na sledeći način:

nV X V - Y x Y X

a regresiona konstanta kao b„ = - bjM,. Navedena foiTnula za b, je tzv.

intuitivna formula, sa zanemarivanjem indeksa i precizne identifikacije elemenata
sumiranja. Može se uporediti sa sHčnom formulom za koeficijent korelacije koja
je data malo dalje u tekstu.
Na primer, neka je jedan ispitanik na varijabii .x (telesna visina) postigao
vrednost 142 cm, a na varijabli y (telesna težina) dobio vrednost 34kg. Nakon
regresione analize na svim izmerenim ispilanicima dobili smo regresionu jedna-
činu ttcžina = Q,15A9^tvisina - 73,2758. Iz te jednačine možemo izračunati za
našeg ispilanika predviđenu telesnu težinu ^ 3 3 ,9 2 . Rezidual je y - y = 0,08kg.
Treba uzeti u obzir da je na ovoni primeru koeficijent korelacije c=0,86, dakle
vrlo visok. Obrnuto, regresija sa težinc na visinu iniala bi jednačinu tvisina =
0 ,9 n 3 x tte ž in a + 108,5077. Naš ispitanik imao bi predviđenu visinu od
141,74cm, što daje rezidual od samo 0,26cm” .
Regresioni koeficijent se može inteipretirati kao veličina za koju će se
povcćati varijabia>’ kada bi vrednost varijable^ porasla za 1. Osim regresionog
koeficijenta iz jednačinej’ = b,x + b„ koristi se i tzv. standardizovani regresioni
koeficijent koji se prinienjuje na standardizovane varijabie. Kada se obe varijable
standardizuju, jednačina glasi;^. = ji,x.. Kad su varijable standardizovane, nema
odsečka, nego regresione linije prolaze kroz koordinatni početak. Standardizovani
regresioni koeficijenti se obično označavaju i nazivaju grčkim slovom beta.

” Savovajračunjcbaziranna: ^ = 2 8 1 4 , ^y=658,8, £.r"=396462,5, £7^=22112,34,

X A l-93095,3 i W-20.
 2. Korelacija

Šta je koeficijent lineam e korelacije. On se konvencionalno označava sa r i

niožemo se napisati da je;

^ = b,a„ [59]
gde su b, i a, regresioni koeficijenti iz gornje dve regresione jednačine.
Korelacija je dakle „srednja regresiona linija” u jednoin literarnom smislu - kao
kad bismo na sredini izmedu dve regresione linije na dijagramu (a) povukli treću
liniju. Takođe, sa malo izvodenja se može dobiti da je

, cr^ o-
r = b , ^ = a ,-^ -, [60]

gde su ffj i ff,, standardne devijacije. Postoje i druge mogućnosti da se koeficijent

lineame korelacije izvede iz regresije je r postoje mnogi meduodnosi regresionili
veličina.
Koeficijent lineame korelacije, koga je, kao kvantitativnu meru linearne
statističke povezanosti izmedu varijabli konstmisao Karl Pearson, a na osnovu
Galtonovog otkrića regresije može se napisati kao:

[61]

V.-1 /-I
Simbol označava takozvanu kovarijansu varijabli x i y, a i su
devijacioni skorovi tih varijabli. Krajnje desno je poznata „psihološka” fomiula
za ručno izračunavanje koeficijenta korelacije iz sirovih skorova, koja matemati-
čki nije potpuna, ali je intuitivno jasna. Naravno, danas će retko ko računati kore-
laciju mčno, pa ta fomiula ima samo edukativni značaj.
Svaki koeficijent korelacije, ako pretenduje da bude dobra kvantitativna
mera povezanosti izmedu dvc varijable mora zadovoljavati sledeća 3 uslova:
• Njegova vrednost je jednaka nuli ako, i samo ako ne postoji slohas-
tička povezanost između varijabli.
• Njegova vrednost je jednaka jedan ako, i samo ako postoji funkcio-
nalna povezanost izmedu varijabli.
• U svim ostalim slučajevima, njegova vrednosl se mora kretati između
-1 i+ 1.
lako ovi uslovi izgledaju vrlo blagi, samo retki koeficijenti korelacije ih
ispunjavaju, a i oni samo pod određenim uslovinia. Pirsonov koeficijent lineame
korelacije ih ispunjava, ali samo ako su varijable x i y intervalne i normalno ras-
podcljene. Radi se o tome da na nivou teorijske statistike, putem analize formula.
može biti pokazaiio kako, recimo, r =0 ne mora da znači odsustvo korelacije ako
varijable nisu normalno raspodeljene.
Međutim, nasuprot tome postoje brojne simulacione studije u kojima su se
simulirale različite varijable sa različitim distribucijama (tzv. Monte Karlo
studije) i pratile promene koeficijenta korelacije. Ispostavilo se da je taj koefici-
jent vrlo robustan na odstupanja od teorijskih uslova koji se postavljaju pred
varijable. To znači da se istraživač m ože osloniti na r-koeficijent dobijen na kon-
kretnom uzorku, na konkretnim varijablama, bez obzira što logička analiza i
deskriptivna statistika ukazuju da varijable nisu na intervalnom nivou i nisu nor-
malno raspodeljene. Cak se pokazaio da obični r-koeficijent sasvim dobro oce-
njuje povezanost ordinalnih varijabli.

Postoji još jedna moguća interpretacija regresije i korelacije, vrlo pogodna

za tumačenje nestatističarima. Ona se bazira na predstavljanju varijanse kao povr-
šine (što je objašnjeno u poglavlju u merama varijabiliteta). No, umesto striktnog
korišćenja kvadrata, koriste se tzv. Eulerovi ih Vennovi dijagrami. Ojler-Venovi
dijagrami su došh iz teorije skupova i prcdstavljeni su ovahiim (pravilnim ih
nepravihaim) obhcima. N a shci 19 su prikazane naše dve varijablc pomoća dva
Venova dijagrama. Vidi se da varijanse te dve varijable nisu iste i da je x manje
varijabilna (manji oval). Osenčeno područje prikazuje površinu zajedničke vari-
janse koju dele obe varijable. Za taj deo varijanse jedne varijable se kaže da ga
objašnjava druga varijabla. K oeficijent korelacije se onda prosto može napisati
kao:

objasnjena v arijan sau y

ukupna varijansa y

Naravno, analogna jednačina se može napisati za predvidanje x iz ;'. Jasno

se vidi da je koeficijent korelacije odnos, dakle „čist broj”, nezavisan od jedinica
mere varijabh. Može se reći da se tokom izračunavanja koeficijenta korelacije
varijable „intemo” standardizuju. Iz gomje jednačine sledi česta praksa da
istraživači, kad vide koeficijent korelacije od npr. r = 0,7 kažu da to znači da te
varijable dele = 0,7^ = 0,49 varijanse, odnosno da jedna varijabla objašnjava
49% varijanse dnjge varijable. lako je ovakvo tumačenje slikovito i intuitivno,
nema potrebe da se jedna kvalitetna mera (kao što je koeficijent korelacije) zame-
njuje jednom m anje kvalitetnom (kao što je procenat). Recimo, vidimo da na siro-
vim varijablama, varijabla y objašnjava veću proporciju varijanse u x nego što x
objašnjava u y .
Naravno, za tako važan statistički pokazatelj kakav je koeficijent korelacije
neopliodno je da se zna kakva mu je distribucija uzoraka. Cilj je, kao i u ocenji-
vanju svakog drugog statistika, da se utvrdi koliko je precizna ocena korelacije u
populaciji (označićemo je sa p) iz r-koeficijenta izračunatog na uzorku. Nažalost,
ispostavilo se da je određivanje distribucije uzoraka za koeficijent korelacije
teško, jer zavisi od različitih činilaca, izmedu ostalog i od visine korelacije u
populaciji p. Fisher je utvrdio da je distribucija uzoraka /-koeficijenta kada je
parametar jednak nuli, p=0, simetrična i da se može pretvoriti u /-raspodelu putem
transfoi-macije:

r-Jn - 2
t = -------- [63]

Dakle, na osnovu ovako izračunatog ^statistika i broja stepeni slobode od

(«-2) možemo iz tablica videti na kom percentilu se on nalazi. Ako je veći od t-
skora koji se nalazi na 95-om percentihi kazaćemo da je naš značajan na nivou
95% (odnosno 0,05). Naravno, danas retko ko gleda statističke tablice, jer
statistički paketi automatski egzaktno računaju percentil dobijenog r-statistika.
Recimo da smo na uzorku od n=18 dobili koeficijent korelacije od 0,32.
Interesuje nas da li na nivoima značajnosti 0,01 i 0,05 možemo reći d aje odgova-
rajući parametar različit od nule. Dakle, nulta hipoteza je da je H„: = 0, a
altemativna hipoteza H ,:p > 0. Koristeći goniju fonmdu dobićemo d aje ?= 1,35.
Iz statističkih tabhca, za broj stepeni slobode foj=16, nalazimo daje odgovarajući
h .95 = 1>75. Pošto je naš dobijeni t = 1,35 manji od te kritične vrednosti, ne može-
mo da odbacimo nultu hipotezu - dobijeni r nije značajno različit od nule. Pošto
smo H|| zadržali na nivou 0,05, sigumo je da ćemo je zadržati i na nivou 0,01.
Zbog kompleksnosti distribucije uzoraka r-koefijenta, za izračunavanje in-
tervala poverenja koristi se specifičan postupak. Fisher je predložio logaritamsku
transfomraciju r-koeficijenta kojom se dobija statistik vrlo približan z-statistiku i
koji se distribuira nora:alno. Ova Z-transfonnacija je definisana na sledeći način:
Z = 0 ,5 1 n [ ( l+ r ) /( l- /- ) ] [64]
gde je In oznaka za prirodni logaritam. Distribucija uzoraka ovog Z-statistika je
približno normalna, sa standardnom greškom:

•V« - 3
 Nakon što se izračuna intcrval poverenja za Z, granice intervala se mogu
vratiti u r-koeficijente inverznom transformacijom r = (e^ - 1) / (e^ + 1). Z
statistik ne zavisi od visine korelacije u populaciji ni od veličine uzorka. Na
primer, na prethodnom primeru, gde smo na uzorku veličine 77= 18 dobili
koeficijent korelacije od od r=0,32, dobićemo da je 95% interval poverenja za Z-
statistiic od -0,1744 do 0,8377. Kada granice intei-vala vratimo u /--koeficijente,
dobićemo d aje 95% interval poverenja za naš r-koeficijent -0,1727— 0,6846. To
znači da sa sigurnošću od 95% možemo da tvrdimo da se parametar populacije
nalazi u tom rasponu. Vrlo važno je da se uoči da interval poverenja obuhvata i
nulu. Uvek kada interval obuhvata nulu moramo biti svesni da naša dobijena
korelacija nije značajno različita od nide.
Kao što se vidi, lako se proverava nulta hipoteza za koeficijent korelacije,
tj. hipoteza da je p=0 pomoću navedenog /-statistika. Upravo je ta mogućnost
uobičajena u statističkim paketima. Ona nije besmislena, jer istraživač u minimal-
nom smislu mora biti siguran da li je njegova korelacija značajno različita od
nule. Međutim, ako ga interesuje da se nulta hipoteza ne odnosi na nultu vrednost
korelacije u populaciji, nego na neku specifičnu vrednost p* 0 , onda će morati
obaviti transfomaaciju r u Z (verovatno ručno), utvrditi p-vrednost za dobijeni Z
(kao za z) i odlučiti da li da je odbaci ili zadrži na osnovu usvojenog nivoa zna-
čajnosti (v. poglavlje o testiranju hipoteza).
Razlike korelacije i re gresije .- Za regresiju je poznato da je osetljiva na uzorak - u
smislu da regresioni koeficijenti mogu značajno variraju na malim i nereprezentativnim
uzorcima, posebno ako je njihova varijabilnost smanjena. Međutim, kada se izračunaju
nagib i odsečak regresione linije, oni će biti isti u svakom segmentu uzorka po nezavisnoj
varijabli. Drugim rečima, regresiona iinija je invarijantna (jednaka) u subpopulacijama,
ukoliko podaci fituju linearni model u potpunosti.
Koeficijent rn ije invarijantan u subpopulacijama, a posebno zavisi od varijanse u
subpopulacijama. Regresioni koeficijent, koji definiše nagib regresione krive, ne zavisi od
svojstava populacije, posebno varijabilnosti, a koeficijent korelacije zavisi. Koeficijent
korelacije nije direktni parametar regresione linije, iako odražava nagib elipse raspršenja i
usko je povezan sa regresijom.

D. Višestruka regresija i višestruka

korelacija

Bivarijatna regresija koja je opisana u prethodnom poglavlju se u praksi

retko koristi i služi skoro isključivo za tumačenje principa regresije i korelacije.
Svoju punu upotrebljivost regresija dobija kada se generalizuje na više varijabli.
U tom obliku ona se naziva multivarijatnom, multiplom ili višestrukom regresi-
jom. U slučaju regresije, multivarijatnost se ogleda u većem broju prediktora,
odnosno nezavisnih varijabh, dok je zavisna varijabla uvek jedna. U multiva-
rijatnoj statistici postoji jedna metoda koja je analogna višestrukoj regresiji, ali u
kojoj i zavisnih varijabli može biti više - to je kanonička korelaciona analiza.
Dakle, jednačinu višestruke regresije možemo napisati kao:
3^ = b,x, + 6^ , + . . , + b„pc,„ + b„, [66]
gde je sa m označen broj prediktora. Vidimo da je sve vrlo slično i da je jedino
potrebna generalizacija na više prediktora. U višestrukoj regresiji je važno znati
da je puni naziv regresionih koeficijenata bj parcijalni regresioni koeficijenti.
Naime, oni predstavljaju vrednost za koju će se promeniti vrednost varijable;^ ako
se vrednost dotičnog prediktora Xj poveća za 1, a vrednost svih ostalih prediktora
ostane ista.
Videli smo iz grafičkog prikaza bivarijatne regresije da se povezanost vari-
jabh u izražava uglom između linija varijabli. „Linije varijabli” se u matematici
predstavljaju vektorima, odnosno nizom podataka koje varijabla sadrži. Još
tačnije rečeno, ako su varijable standardizovane, korelacija izmedu varijabli x i y
je jednaka kosinusu ugla koga zaklapaju njihovi vektori ili:

r ^ = cos(Zxy) [67]
i pošto je cos(90'*)=0 i cos(0“)= l, što je ugao manji, korelacija je veća. Ovu
činjenicu čitalac je mogao da uoči već pri interpretaciji bivarijalne regresije u
kojoj smo rekli da regresioni koeficijent predstavlja nagib regresione linije.
Takode, dužina vektora odražava varijabilitet varijable. Otuda se na „vektorskim”
grafičkim prikazima prilično tačno mogu reprodukovati svojstva različitih statis-
tičkih tehnika.
Radi jednostavnosti, podrazumevaćemo da smo sve varijable prethodno
standardizovali, ah ćemo pri označavanju standardizovanih varijabli ispustiti
indeks ,,s” koji smo koristih u prethodnim poglavljima. Tako će varijabla u sim-
bohčkom smislu biti npr. y, a vektor njenih standardizovanih rezultata y. Pošto su
varijable standardizovane, regresione koeficijente ćemo označavati sa Pj, a regre-
siona konstanta će nestati iz jednačine.
Slika 20 pred.stavlja jedan od mogućih prikaza višestruke regresije sa dva
prediktora x, i x, u standardnom Dekartovom praovuglom koordinatnom sistemu.
Iz nje se vidi većina svojstava regresije. Vidljivo je, recimo, da se prediktovana
vrednost y zavisne varijable y može predstaviti kao njena projekcija na hiper-
ravan koju rastežu prediktori. G uttmanje tu projekciju nazvao imažem varijablej'.
hnaž varijable je, dakle, onaj deo varijanse varijable koji se može predvideti iz
prediktora; na slici 21 je predstavljen zbirom svih osenčenih površina. U ovom
slučaju je hiperravan prosta ravan jer imamo samo dvaprediktora: x, i x,. Rezidu-
ale (y - y) predstavlja druga kateta pravouglog trougla, pa je jasno da se za izra-
čunavanje jednih iz dnigih koristi obična Pitagorina teorema (jednačina [69]).
Vidljivo je da će prediktovana vrednost y biti to veća što je ugao 9 izmedu zavis-
ne varijable i hipeiTavni manji, jer to znači da je ukupna korelacija između zavi-
sne varijable i prediktora veća. To defmiše jednačina [70] u kojoj je R koeficijent
višestruke lineame korelacije. }e koeficijent determinacije, ili kako se često
naziva u MVA - SMC (engleska skraćenica od Squared Multiple Correlation).

sa dva prediktora

y = + f^2X2 [ 68 ]
/ = f +(y-yf [69]
CQs{0) = y / y = R [70]
iy-yf=y\\-R^) [71]
y=y^R^ [72]

Jednačina [68] je zapravo regresiona jednačina i njene komponente y5,x, i

su prikazane na grafiku, ali nisu sasvim tačne. No, za generalno razumevanje
situacije je njihov prikaz dovoljan jer objašnjava šta se dešava sa regresionim
koeficijentima kada se menjaju korelacije između prediktora, kao i korelacije pre-
diktora sa kriterijumom,
Naime, veoma značajno u višestrukoj regresiji, a to je sasvim blisko zdra-
vom razumu i provlači se kroz čitavu oblast MVA, je to da „dejstvo” prediktora
na kriterijum zavisi od medusobne korelacije prediktora. Kao što se može
očekivati, neke varijable mogu zajednički delovati u predikciji, neke se međusob-
no potiru, a neke su nezavisne. Na našoj slici se lepo vidi da je doprinos predik-
tora X, predikciji (izražen kroz ^,x,) veći, jer je ugao a između projckcije y i
prediktora x, manji nego ugao izmedu te projekcije i prediktora x,. Vidi se, tako-
de, da će doprinosi prediktora generalno biti veći ako je korelacija izmedu njih
manja i obratno (ugao između njih nije označen na grafikonu).
Još jedna relevantna stvar se uočava u grafikonu. Sve varijable se seku u
jcdnoj tački. Ta situacija se dogada samo kod varijabli koje su centrirane, odno-
sno koje su iskazane kroz tzv. devijacione skorove (v, jedno ranije poglavlje),
odnosno kroz odstupanja od njihove aritmetičke sredine: )'(.={>’,■- M^}. Ne samo
to, pošto smo regresione koeficijente označiU sa j), onda smo sugerisali da se radi
i o standardizovanim varijablama. Pošto je standardna devijacija standardizovanih
 varijabli jednakajedan, trebale bi dužine svib varijabli u grafikonu biti jednake.
To što nisu je samo zbog tehničkih zahteva da crtež bude pregledan.
Još jedna napomena za matematički obrazovanije čitaoce. Jednačine [68] -
[72] dopunjavaju sliku 20 i one su napisane u „nematematičkom” stihi, odnosno
tako da ih otprilike razume svako ko je upoznat sa linearnom regresijom. Medu-
tim, one sadržavaju jedan ozbiljan nedostatak koji se odnosi na nedoslednost
korišćenja imena promenljivih kao što su i Naime, ako se radi o vektorima
zavisne varijable y i prediktovanih vrednosti y, onda goraji izrazi ne važe, jer
recimo operacija d e l j e n j a n i j e primenjiva na vektorima. U jednačinama [68] -
[72] imena označavaju skalare i to dužine vektora.
Višestruka regresija se može prikazati i pomoću Venovih dijagrama. Pogle-
dajmo prikaz koji bi bio analogan prethodnom vektorskom prikazu. Na shci 21
prikazano je preklapanje prediktora (tamnije osenčena površina), od kojeg jedan
deo oba prediktora dele sa kriterijumom. Taj zajednički deo pripada obama
prediktorima i iskazivao bi se kroz bivarijatne korelacije. Međutim, tek kad se u
jednačinu uključi i drugi prediktor možemo otkriti da ovaj deo varijanse kriteriju-
ma objašnjava još jedna varijabla. Svethje osenčene površine prikazuju nezavisne
(parcijaine) doprinose prediktora lcriterijumu. Vidi se da one nisu jednake i da
pi'vi prediktor bolje zasebno predviđa kriterijum od dingog prediktora.

U izlaganju bivarijatne regresije pokazali snio da je koeficijent lineame

korelacije usko povezan sa regresionini koeficijentom. Da h postoji koeficijent
korelacije i u višestrukoj regresiji? Na slici 20 i pratećim jednačinama pokazah
smo da postoji i da on i dalje predstavlja ugao nagiba vektora zavisne varijable na
multidimenzionalnu ravan svih prediktora (hiperravan). Koeficijent višestruke
linearne korelacije se označava velikim slovom , sa indeksima koji označa-
vaju njegovu prirodu. Kao što smo za obični koeficijent korelacije rekli da se
može interpretirati kao odnos objašnjene prema nkupnoj varijansi, tako i više-
struki R ima direktnu vezu sa varijansom. Naime, kada se kvadrira, se na-
ziva koeficijentom determinacije i predstavlja proporciju varijanse u kriterijumu
koju objašnjavaju svi prediktori zajedno (sva osenčena površina u n a slici 2 1 ).
Ry 1 ^predstavljaukupan uspehpredikcije. PomoćuT?^^, ^ to možemo pred-
staviti kao proporciju koju uključeni prediktori objašnjavaju u kriterijumu. Da
bismo znali da li je ta dobijena predikcija u statističkom smislu različita od naga-
danja na osnovu šanse, iz se izračunava F-statistik čija se značajnost oce-
njuje iz statističkih tablica, a statistički paketi izračunavaju egzaktnu verovatnoću.
Poznata je i distribucija uzoraka za i otuda se može izračunati njego-
va standardna greška. Ova slandardna greška se često specifično naziva standard-
nom greškom predikcije, ili standardnom greškom ocene. Standardna greška
predikcije je u stvari standardna devijacija reziduala (reziduali su defmisani isto
kao i u bivarijatnoj regresiji). To znači da se, isto kao u bivarijatnoj regresiji,
standardna greška predikcije može interpretirati kao prosečno odstupanje rezi-
duala odpredviđenih vrednosti (i to u stvamim jedinicama merenja). Što je stan-
dardna greška predikcije veća to su odstupanja veća. Moglo bi se reći da stan-
dardna greška predikcije govori o preciznosti predikcije.
Poznate su i distribucije uzoraka regresionih koeficijenata pa se njihova
statistička značajnost rutinski izračunava u komercijakiim statističkim paketima
(preko /-testa ili F-testa).
Ono što u prilcazu sa Venovim dijagramom na slici 21 nije moguće predsta-
viti, to su negativne veze, a one mogu značajno da komplikuju interpretaciju više-
struke regresije. Izvesni prediktori mogu da „prigušuju” delovanje drugih predi-
ktora. To su čuvene varijable supresori koje se prepoznaju na osnovu analize
outputa višestruke regresije: a) oni imaju regresioni koeficijent različit od nule, b)
koeficijent korelacije sa kriterijumom znatno manji (po apsolutnoj vrednosti) od
regresionog koeficijenta ili c) koeficijent korelacije sa kriterijumom ima dmgačiji
predznak od regresionog koeficijenta (koristi se standardizovani regresioni
koeficijent - /5). Supresija odnosno prigušivanje se ogleda u tome što takve
varijable „privlače” iz dmgih prediktora jedan deo njihove varijanse koji je slabo
ili negativno koreliran sa kriterijumom i zbog toga ti prediktori ne mogu da
postignu visoku prediktivnu moć. Nakon što varijabla supresor „privuče” tu
„nekorisnu” varijansu, dmgi prediktori bolje predvidaju kriterijum. Zato se može
desiti da se predviđanje uspeha u nekom poslu (kriterijumu) može popraviti
uvođenjem nekog testa (prediktora) koji sam po sebi ne korelira sa uspehom, ih
čak ima negativnu korelaciju. Taj test, naime, može poboljšati prediktivnu moć
drugih prediktora, prigušujući u njima „nekorisnu” i „štetnu” varijansu.
Postoje i drugi složeni odnosi izmedu prediktora međusobno i sa kriteriju-
mom, koji odražavaju složene veze koje postoje u realnom životu, a koji mogu da
otežavaju interpretaciju višestmke regresije. U načelu, u regresiji važi pravilo da
Ryj „ utoliko viši ukoliko su a) korelacije prediktora sa kriterijumom veće i b)
korelacije izmedu prediktora manje. Medutim, postoje i „dopime” ta osnovna dva
principa. Na primer, uočeno je da što se tiče pravila pod b), dobro je da prediktori
budu nisko korelirani, ali dobro je i kad su vrlo visoko korelirani. Takođe, vrlo je
dobro poznato pravilo, koje ima nmoge zdravorazumske reperkusije, da
stalno raste sa povećanjem m, odnosno sa dodavanjem novih prediktora, ma
kakvu korelaciju ti prediktori imali međusobno i sa kriterijumom. Mnogi to
interpretiraju tako da ako bismo znali sve stvari osim jedne, znali bismo i tu stvar.
U današnjim statističkim paketima višestruka regresiona analiza obično
sadrži tzv. postupnu proceduru (eng. step-by-step), tokom koje se redom u
jednačinu uključuju prediktori po svojoj parcijalnoj prediktivnoj moći, sve dok se
ne ukijuče svi prediktori čiji je regresioni koeficijent značajan. To se na engles-
icom zove ,,forward” procedura. Obratno, kod ,,backward” procedure se inicijalno
uključc svi prediktori, pa se onda, korak po korak isključuju najslabiji prcdiktori.
Postoje i mogućnosti da se „koračanje” vrši slobodno i naizmeničiio, jer se zbog
složenih veza izmedu prediktora i kriterijuma može desiti da neki prethodno
uključeni prediktor izgubi značajnost predikcije (beta-koeficijenta) nakon uključi-
vanja nekog od novih prediktora.
Postoje jake kritike postupnih procedura, koje se osim u regresiji koriste i u
diskriminacionoj analizi. Glavna primedba se sastoji u tome da je redosled uklju-
čivanja prediktora vrlo podložan malira varijacijama u uzorku ispitanika i u greš-
kama merenja, a svaki uključeni prediktor (počevši od pi“vog) utiče na izbor svih
ostalih.
Višestruka regresija, iako verovatno najpopulamija multivarijanta tehnika,
ima probleme sa stabilnošću. To znači da regresioni koeficijenti zavise od
konkretnog uzorka ispitanika i uzorka varijabli. Na jednom uzorku jedna varijabla
može imati visok regresioni koeficijent, a na dmgom nizak. U tom smislu je
ki'itika postupne procedure opravdana. Međutim, pošto problem nestabilnosti važi
za regresiju uopšte, ništa ne smeta da istraživač oprezno, imajući sve u vidu,
isproba nekoliko varijanti „koračanja” kako bi ustanovio koji skup prediktora daje
optimalnu predikciju (najveći R sa najmanjim brojem varijabli).

E. Statistika zaključivanja - testiranje

hipoteza

U udžbenicima statistike se testiranje hipoteza, zajedno sa statistikom oce-

njivanja, obično svrstava u tzv. statistiku zaključivanja. Kao što smo i ovde rekh,
to zaključivanje je primarno induktivno jer mu je glavni cilj da se izvrši generali-
zacija sa jednog manjeg skupa (uzorka) na veći skup (populaciju). Mi smo
elemente statistike ocenjivanja (ocenjivanja parametara iz statistika) izložili u
poglavlju o deskriptivnoj statistici.
Drugi zadatak, izučavanje korelacija, izložili smo uprethodna dvapoglavlja
0 regresiji, korelaciji i višestmkoj regresiji. Medutim, prava analiza individualnih
razlika koja ima za cilj teoretisanje o latentnim varijablama se postiže primenom
metoda multivarijatne analize. Zbog zamašnosti te teme, pitanje MVA će ovde
biti obradeno samo ovlaš.
Ono što, ipak, mora biti objašnjeno, barem u osnovnim crtama, jeste testira-
nje hipoteza. Testiranje statističkih hipoteza je osnov za statističko odlučivanje
0 tome da h postavljena hipoteza treba da se usvoji ili odbaci. U praksi to znači
da odiučujemo o tome da li je neka razlika ili korelacija značajna ili nije značajna.

1. Statističke hipoteze

Istraživačke hipoteze, opisane u zasebnom poglavlju, neki autori nazivaju

suštinskim ih supstancijalnim hipotezama (KerHnger i Lee, 2000). Takva je, na
primer, hipoteza: ,,Sto je grupa kohezivnija, to je veći njen uticaj na članove”.
Ovaj iskaz sadrži dve varijable: kohezivnost (homogenost) i uticaj i predviđa da
između njih postoji određena vrsta povezanosti. Striktno rečeno, ovakva hipoteza
se ne može direktno proveriti jer još nije dovoljno operacionahzovana. lako su
varijable i njihov odnos u ovoj hipotezi relativno jasno defmisani, nedostaje jedan
važan detalj. Nedostaje tačan kriteriju m za određivanje a trib u ta veći. Kvanti-
tativna hipoteza može sadržavati preciznu količinu povezanosti varijabli, ili
razlike izmedu grupa. Može se reći, na priiTier, da će taj i taj predsednički kandi-
dat dobiti natpolovičnu većinu. Za proveru takvih hipoteza nije potrebno statis-
tičko testiranje. Međutim, u istraživačkoj praksi, retko smo u prilici a) da znamo
količinu povezanosti varijabli i b) da povezanosti i razlike budu drastične - one
su najčešće suptilne. Zato je trebalo naći drugi način za provem hipoteza kao
kvantitativnih iskaza.
Dobar način operacionalizacije dokazivanja istraživačkih hipoteza j e da se
one Iconvertuju u statističlce hipoteze. Statističke hipoteze sadrže jasan i teorijski
fundiran način za provera iskaza koji sadrže atribute „veći”, „manji”, „više”,-
„bolje” itd. Taj način je dominantan u kvantitativnim empirijskim istraživanjima
koja imaju konfuTnativan karakter. Da bi se formulisale statističke hipoteze
koristi se: a) prognostičici (prediktivni) karakter supstancjahnh hipoteza i b)
potencijal empirijskih istraživanja da kvantifikuju varijahle koje su u pitanju.
Dakle, kad kažemo da kohezivnost grupe doprinosi njenom uticaju na članove, mi
predvidamo da će kohezivnije grupe imati više uticaja, ili da će se među koheziv-
nijim grupama češće utvrditi da one imaju veći uticaj na članove. To obeležava
ono što smo nazvali prognostičkim karakterom hipoteze. Dmgi element, kvantifi-
kacija, tanka je crvena nit koja se provlači Icroz čitavu ovu knjigu, prvenstveno
b o z temu merenja. Naravno, podsećamo da teorijska, kvalitativna i eksplorativna
(pa i stmkturalna) istraživanja mogu na svoja pitanja odgovarati i na drugačiji
način osim postavljanja i dokazivanja hipoteza.
Statističke hipoteze pretvaraju „prognozu” u verovatnoću i tako se dolazi do
vrlo jednostavnih iskaza koji na egzaktan način dovode u vezu statistike kao što
su aritmetička sredina, korelacija, varijansa ili frekvencije. U našem primem.
statističke hipoteze bi mogle da glase: a) pr' čemu je uticajnost homo-
gene, a Hg uticajnost nehomogene grupe, b) p>0,20, pri čemu je p korelacija
kohezivnosti i uticajnosti, c) je značajan na nivou 0,05 itd.
Istorija testiranja statističkih hipoteza je relativno duga (oko 300 godina),
ah je ključni napredak ostvario Sir Ronald Fisher svojom invencijom nulte hipo-
teze. Nulta hipoteza je obično potpuno suprotna istraživačkoj hipotezi. Ona tvrdi
da ne postoji povezanost nezavisne i zavisne varijable, dok istraživačke hipoteze
obično iskazuju da takva povezanost postoji. Istraživačka hipoteza (jedna ih više
njih) se, kao kontrast nultoj, nazivaju alternativnim hipotezama. Nulta hipoteza se
označava sa Ho, a alternativna sa H,.
Zašto je nulta hipoteza postala tako značajna u testiranju hipoteza? U
priniem sa grupnom kohezivnošću, u hipotezi nije specificirana nijedna određena
vrednost povezanosti kohezivnosti i uticajnosti. jTa može biti veća od lig za 5, 7, 8
ih 10 poena ili, iskazano korelacijom, ona može biti bilo gde izmedu 0,20 i 1 ,00.
Svaku od tih vrednosti bismo morali posebno da testiramo.
Nulta hipoteza, naprotiv, kaže da je ili da je p=0. Nuita hipoteza
uvek sadrži znak jednakosti „=” i uvek sadrži samo jednu vrednost.‘'“ Dakle,
potreban je samo jedan jedini test da bi se hipoteza zadržala ih odbacila. Ako se
nulta hipoteza zadrži, sve moguće ahemativne hipoteze se odbacuju, a ako se
nuha hipoteza odbaci, neka od alternativnih hipoteza je kandidat za zadržavanje.
Testiranje se, dakle, mnogo lakše sprovodi preko nulte hipoteze, iako je ona
za istraživače „neprirodna”. Po logici stvari istraživači nisu namerni da utvrde da
nezavisna varijabla nema uticaja na zavisnu, nego upravo suprotno, da ih ima - da
zlostavljanje u detinjstvu utiče na anksioznost u odraslom dobu, da emocionalna
stabilnost utiče na uspeh u poslu itd.
Dakle, kada se radi o testiranju razlika izmedu grupa, istraživač postavlja
dve vrste hipoteza:

Ho : Ha = IIb
H, ; Mb •

Prva hipoteza je nuha, a druga je alternativna Rekli smo da su to dve vrste

hipoteza zato što altemativnih hipoteza može biti više, Kao pi'vo, mogu postojati
tri tipa odnosa između dve aritmetičke sredine: |i^ < lig, 5* pg i |o,^ > |ig, Alter-
nativna hipoteza se može formirati za svaki od tih odnosa, Pored toga, višestruke
alternativne hipoteze mogu postojati i zato što se odnose na neke odredene vred-
nosti, npr, > (|J,b+5), Ako postoji više alternativnih hipoteza one se označavaju
sa H,, Hj, Hj itd, Nulta hipoteza se može fomiulisati i dmgačije, kao ^^“ 110=0, što
je istovremeno i tačnije jer se eksphcitno pominje nulta vrednost.
Dmga najčešća situacija testiranja statističkih hipotezaje u oblasti korelaci-
ja. N uha hipoteza je u tom slučaju obično H„:p=0, odnosno da ne postoji poveza-

Fisherova trad icija nalaže da ta v rednost bude jednaka nuli, ali to uop.štc nijc nužno.
N ulta hipotcza sc m ože đefuiisati i k ao „h ip o teza o vrcđnosti param etra u populaciji” .
nost nezavisne i zavisne varijable, a alternativna H,:p 0. U poglavlju o korela-
ciji i regresiji objašnjeno je da ako se želi testirati H„:p ^ 0, to se mora obaviti
preko Fisherovog Z, koji ima približno norm.alnu raspodelu.
Nije slučajno što ovde koristimo oznake /i i p za artimetičku sredinu i
korelaciju. One ukazuju na to da mislimo na vrednosti parametara u populaciji.
Stvarno, statističke hipoteze se odnose na vrednosti populacije, a iz uzorka se
ocenjuju njihove vrednosti pomoću dobijenih vrednosti za M i r. Dakle, iako
statističke hipoteze imaju za cilj testiranje povezanosti između varijabli, one su
ipak na liniji zadatka celokupne statistike - ocenjivanje populacije na osnovu
uzorka.
Kada su statističke hipoteze postavljene, empirijsko istraživanje ima za cilj
da prikupi podatke na osnovu kojih se ove hipoteze testiraju. Dobijene vrednosti
M i r s t porede sa onini koje pretpostavlja nuita hipoteza i ako su razlike veće od
neke prihvatljive, nuha hipoteza se odbacuje, a u protivnom zadržava. Na primer,
ako su dobijene razhke i Mg veće od neke prihvatljive, onda odbacujemo
H„:M^-Mb=0. T o znači da podaci ne podržavaju tu hipotezu. Ako razlike
aritmetičkih sredina nisu dovoljno velike, mi ne odbacujemo nultu hipotezu, ili
kako se još kaže, zadržavamo je. Pri tome treba stalno imati na umu da se
odbacivanje ih zadržavanje temelje samo na konki'etnim podacima. Podaci ili
podržavaju ih ne podržavaju nultu hipotezu.
Zadržavanje nulte hipoteze ne znači njeno defiuitivno dokazivanje, niti
njeno odbacivanje znači definitivno dokazivanje ahernativne hipoteze.
Da bismo stvarno prihvatih nuUu hipotezu kao tačnu, morali bismo biti
potpuno sigurni da ne postoji uticaj nezavisne na zavisnu varijablu, ili da možda,
ne postoji neka ometajuća varijabla koja je taj uticaj umanjila ih otklonila, a za to
nije dovoljno jedno istraživanje. To isto važi i za odbacivanje hipoleze.
Postoji više razhčitih tumačenja i aspekata tumačenja nulte hipoteze. S
jedne strane, različita tumačenja doprinose da se sagleda utemeljenost načela
testiranja statističkih hipoteza u teoriji verovatnoće, statistici i, konačno, u
zdravom razumu. Tačno je, naime, da testiranje statističkih hipoteza ima uteme-
Ijenje u svim tim područjima. S druge strane, nažalost, ona otežavaju društvenom
istraživaču da razume principe testiranja i da ih zapamti. Razlike u tumačenjima
dovode društvenog istraživača u nedoumicu, a nedoumica je još veća zato što su
razlike u inteipretacijama suptilne. Takav ishod se može izbeći samo na jedan
način - pažljivim i motivisanim čitanjem.
Recimo, osim objašnjenja statističkih hipoteza koje je upravo prikazano,
jedno sasvim tačno tumačenje je i da nulta hipoteza sadrži onakav odnos između
varijabli koji bi nastao kada bi uzajamne varijacije tih varijabli bile prosto slu-
čajne. Ako su varijable povezane „samo shičajno”, tj. ako im je zajednička samo
varijansa greške, onda se u nekim istraživanjima može desiti da povezanost bude
vehka, ali će najčešće ona biti blizu nule.
Iz toga sledi zaključak da će velike razlike između giaipa biti retka pojava -
ako je nulta hipoteza istinita. Dalje, pošto je to retka pojava, mala je verovatnoća
 da ćc baš u našem istraživanju biti utvrđena. Zato, ako dobijemo veliku razliku,
pošto je ona neočekivana, mi dovodimo u pitanje istinitost nulte hipoteze. Reci-
mo, ako smo našli da se dve grupe, jedna homogena i dmga nehomogena, visoko
razlikuju po uticaju na svoje članove, odlučićemo se da odbacimo nuhu hipotezu,
jer podaci nisu bili u skladu sa njenom prognozom. Takav ishod testiranja nulte
hipoteze, kada podaci ukazuju da treba odbaciti nultu hipotezu, naziva se statis-
tički značajnim .
Važno je zapamtiti da testiranje statističkih hipoteza ima dve komponente:
utvrđivanje povezanosti varijabli i ocenjivanje populacije na osnovu uzorka.
Kada je reč o povezanosti varijabli, za potrebe testiranja statističkih hipoteza se,
po pravilu, iz dobijenih podataka izračunava neki testni statistik. Izbor testnog
statistika zavisi od vrste varijabli, nivoa merenja, nacrta istraživanja itd. Testni
statistici su obično neka vrsta standardnog skora koji izražava razliku u jedini-
cama standardnog odstupanja. Razhka o kojoj je reč je ona koja se navodi u nul-
toj hipotezi: Ma-Mb, r-r„ i koja, u saglasnosti sa hipotezom, treba da bude nuha.
Važno je da se uoči da se testni statistik form ira na osnovu nulte hipoteze.
Najčešći testni statistici su: z , t , F i
Ako je izračunati testni statistik dovoljno veliki, nulta hipotcza se odbacuje.
Granične veličine testnih statistika se određuju na osnovu poznavanja distribucije
tih statistika. Recimo z statistik inia normalnu raspodelu. Iz osobina normalne
krive znamo da z=l ,96 deli raspodelu na 95%-5%, a z=2,58 na 9 9% -l% . Dakle,
ako je dobijeni z veći ili jednak 1,96 (z ž I,96), znamo d a je verovatnoća pojave
takve razlike aritmetičkih sredina svega 0,05 (ili manje). Ako usvojimo da je
granična vrednost z-statistika 1,96, svi testovi nuhe hipoteze koji budu rezultirali
sa z ž l,9 6 biće proglašeni statistički značajnim i nulta hipoteza će biti odbačena.
PoSlo se veličina testnih statistika ocenjuje na osnovu njihove distribucije, kaže-
mo da testiranje nulte hipoteze sadrži i zaključivanje sa uzorka na populaciju.

2. Verovatnoća testa i statistička značajnost

U prethodnom poglavlju smo u osnovnim crtama objasnili šta se naziva

statističkom značajnošću. Sada je potrebno da se o ovom pojmu iznesu još neki
detalji. Dakle, na osnovu nulte hipoteze se izračunavaju posebni testni statistici -
z, t, F, itd. Svaki testni statistik poseduje svoju, teorijski utvrdenu, distribuciju
verovatnoća pojavljivanja. Kada dobijenu vrednost uporedimo sa teorijskom
distribucijom dobićemo verovatnoću testa nulte hipoteze ili p-vrednost. Recimo,
poredeći z=I,96 sa tablicama normalne distribucije dobićemo da je njegova
verovatnoća pojavljivanja 0,05. Za svaki statistik se može izračunati njegova
verovatnoća pojavljivanja. Ona je, kao i svaka verovatnoća u matematici vrlo
precizno^defmisana; predstavlja odnos (proporciju) dve frekvencije i kreće se od
0 do 1 . Često se ova verovatnoća naziva „značajnošću” (engl. signijicance), ili
tačnije, statističkom značajnošću. Ovako definisan pojam statističke značajnosti
ne treba mešati sa pojmom statistički značajnog ishoda icoji je defmisan u pret-
hodnom poglavlju.
Kada dobijemo /;-vrednost (od lat. probabiiitas) testnog statistika, mi
moramo odkičiti da li je ona veiika ih mala. Ako je mala, odbacujemo nuitu hipo-
tezu, a ako je velika, zadržavamo je. Odluka o odbacivanju ili zadržavanju nuhe
hipoteze se u principu donosi na osnovu verovatnoće, odnosno /^-vrednosti test-
nog statistika. Međutim, s obzirom da je poznato koja vehčina testnog statistika
stoji iza određenep-vrednosti (recimo, iza verovatnoće 0,05 stoji z=l ,96), odluka
se može doneti i na osnovu njegove veličine.
Graničnu vrednost za odbacivanje ih zadržavanje nuUe hipoteze nazivamo
nivom značajnosti i on se naziva a-nivoom. ,,U opticaju” su dva a-nivoa: 0,05 i
0,01. Ta stara, mada proizvoljna konvencija, čije je poreklo nepoznato, bazira se
na logici da razhke moraju biti dva ih tri puta veće od svoje greške. Opstajanje
ova dva nivoa značajnosti može se opravdati i konvencijom, odnosno uporedi-
vošću istraživanja. Ako je u jednom starom istraživanju jedan nalaz proglašen
značajnim na nivou 0,05, onda se i danas treba držati tog nivoa. Drugi razlozi za
pridržavanje ovih nivoa ne postoje. Intepretacije da je rezuUat značajan na nivou
0,01 visoko značajan, na nivou 0,05 verovatno značajan, a ispod tog nivou nezna-
čajan su proizvoljne. U istraživačkom žargonu se koriste i „procentni” iskazi, pa
se nivoi nazivaju 5% ili 1%, odnosno 95% i 99%.
Dakle, odbacivanje ili zadržavanje nulle hipoteze je zasnovano na odlučiva-
nju i ovu odluku zovemo statističkom odlukom. Kao u svakoj drugoj oblasti (nau-
čnog) odlučivanja, donošenje odluke je uvek povezano sa mogućnošću greške.
Greške u oblasti statističkog odlučivanja su vrlo precizno defmisane kao greške I
tipa i greške 11 tipa. Greška I tipa je kada nultu hipotezu H„ odbacimo, a ona je
tačna. Greška II tipa je kada hipotezu zadržimo, a ona je pogrešna.
Odluku 0 odbacivanju nulte hipoteze donosimo onda kada je ji-vrednost
manja od usvojenog nivoa značajnosti. U tom trenutku možemo kazati da je naš
nalaz statistički značajan.'“ Takođe, usvojeni a-nivo predstavlja verovatnoću
greške I tipa. Ako usvojimo nivo značajnosti a=0,05 i odbacimo nultu hipotezu,
odlučili smo da prihvatimo verovatnoću greške od 0,05, tj. u 5%> slučajeva bi naša
odluka bila pogrešna, a u 95%> slučajeva tačna.
Na žalost, ali sasvim u skladu sa zdravorazumskim shvatanjem teškoće
pravilnog odlučivanja, greške I i II tipa su međusobno uslovljene; ako smanjuje-
mo prvu, povećava se druga i obmuto. Kada usvojimo jedan a-nivo, automatski
smo usvojili i jedan odredeni nivo grešaka II tipa - p-nivo. (3-nivo će biti niži ako
usvojimo a=0,05, nego ako usvojimo a=0,01. Medutim, greške II tipa ne zavise
samo od usvojenog a-nivoa, nego i od drugih faktora, o kojima će kasnije biti
više reči. Pošto se p-nivo ne može jednostavno izračunati, prosečan društveni
istraživač u praksi najčešće obraća pažnju samo na greške I tipa. To je, naravno,

U tom trenutku se uočava i prolivrečnosti nazivanja p-vrcdnosti statističkom

značajnošću je r bi onda iskaz bio cirkularan; na osnovu statističke značajnosti se odlučuje
o statističkoj značajnosti.
loša praksa. Kao nivo značajnosti koji predstavlja dobar kompromis između
grešaka I i II tipa smatra se nivo 0,05. Međutim, to ne treba shvatiti kao recept,
pravilo ili preporuku, to je samo smernica za razmišljanje.
Svi današnji statistički programi egzaktno računaju verovatnoću testnih
statistika. Recimo da je u nekom istraživanju dobijena verovatnoća /-testa
p=0,0025. Vrlo često istraživači onda kažu da sc nulta hipoteza može odbaciti na
nivou 0,0025. Tim iskazom oni, kao prvo, ,,ne poštuju” više klasične nivoe 0,05 i
0,0 1, a kao drugo, izjednačavaju ;?-vrednost i statističku značajnost. lako se čini
da ni jedno ni dmgo nije pogrešno, takav postupak se ipak ne preporučuje.
Osnovni razlog za to je potreba za stabihiim pravilima odlučivanja od istraživanja
do istraživanja i od istraživača do istraživača. Pod pravilima odlučivanja podrazu-
mevamo definisanje prihvatljivih grešaka I i II tipa. Da bi ta pravila postojala, a -
nivo se mora usvojiti pre odlučivanja o nultoj hipotezi. Tako nećemo doći u
iskušenje da nam nekada statistička značajnost „znači” 0,060, a nekada 0,0025.
Drugo, izjednačavanje pojmova statističke značajnosti i verovatnoće testa nije
dobro je r dovodi do konlJuzije. Treće, pogrešno je ako su istraživači ponosni na
„vrlo visok nivo značajnosti” koji je dobijen, misleći da to znači i visoku
povezanost varijabli. To je poznata greška u tumačenju testiranja nulte hipoteze o
kojoj će još biti reči. Odmah možemo podsetiti da bi usvajanje a-nivoa od 0,0025
dovelo do visokih grešaka II tipa, a one bi, sa svoje strane, snizile moć testa
značajnosti.
Statistička značajnost se, paradoksalno, najbolje objašnjava svojom suprot-
nošću - neznačajnošću. Statistička značajnost je, dakle, verovatnoća da će se
napraviti greška 1 tipa. Grešku I tipa napravićemo ako na uzorku zaključimo nešto
čega nema u populaciji (ako odbacimo nultu hipotezu, a trebali smo je zadržati).
Dakle, statistička značajnostje verovatnoća da j e naš nalaz posledica pogrešnog
uzorkovanja, odnosno „loše sreće”. Ako ponovimo ispitivanje na drugom uzorku
nećemo dobiti isti takav nalaz.

Moć statističkog testa. - Ako smo prihvatili (zadržali) nultu hipotezu, onda
će zavisno od; a) usvojenog nivoa značajnosti testa nulte hipoteze (a-nivoa), b)
veličine efekta i c) veličine uzorka, postojati verovatnoća (3 da smo pogrešili.
Vrednost p je vcrovatnoća greške II tipa, a vrednost 1-P je poznata moć testa.
Dakle, moć statističkog testa je verovatnoća da će nulta hipoteza biti odbačena
kada je pogrešna. Rečeno istraživačkim jezikom, moć statističkog testa se odnosi
na njegovu sposobnost da otkrije efekat nezavisne varijable na zavisnu.
Određivanje moći testa je prilično komplikovano i retko se sreće u komer-
cijalnim statističkim aplikacijama. Postoje tabele u novijim udžbenicima koje
povezuju veličinu efekta i veličinu uzorka, obično za nivo značajnosti 95%, iz
kojih se mo^že očitati moć testa. Na osnovu ovih tabela može se oceniti nekoliko
vrlo korisnih stvari, pre svegapotrebna veličinauzorka. Ništamanje nije značajno
to što istraživač može, uzimajući u obzir veličinu uzorka kojom raspolaže i
uobičajene vehčine efekta iz prethodnih studija, oceniti da li može postići zado-
voljavajuću moć statističkog testa. Ako je očekivana moć niska, to znači da će
greške II tipa biti visoke, a to, posredno, znači da će nulta hipoteza verovatno biti
zadržana. Uobičajeno je da se kao granična vrednost moći uzima 0,80 i ta vred-
nost je blaža od a-nivoa 0,05, što znači da će nulta hipoteza češće biti zadržana.
Naglašavamo da su značajnost i moć u recipročnom odnosu - povišavanjem a -
nivoa snižavamo moć statističkog testa.
Naveli smo tri izvora moći statističkog testa, ali treba reći da sva dosadašnja
saznanja govore da je veličina uzorka osnovni izvor, i da, ako želimo da budemo
sigurai da smo dokazali da nešto postoji, moramo povećavati uzorak. Međutim, u
poglavlju u kojem se razmatra korisnost testiranja nulte hipoteze objašnjeno je da
vrlo veliki uzorci čine to testiranje besmislenim. Problem određivanja veličine
uzorka raspravlja se detaljnije u glavi o uzorkovanju.

3. Distribudje uzoraka razlika

Na slici 17 smo ilustrovali distribuciju uzoraka za aritmetičku sredinu. Rekli

smo da, preina centralnoj graničnoj teoremi, ta distribucija uzoraka teži da bude
nonnahia. Potpuno isti princip važi za razlilce aritmetičkih sredina - na osnovu
centrahie granične teoreme i razHke statistika teže da se normalno distribuiraju.
Izraz „teži” je veoma važan, je r nam sugeriše da distribucija uzoraka ne
mora biti nom alna. Na primer, neče biti nonnalna ukoliko su uzorci, odnosno
grupe mali. U praksi, veličina uzorka utiče samo na izbor testnog statistika. Ako
testiramo razlike aritmetičkih sredina, na velikim uzorcima ćemo koristiti z a na
malim t statistik. Na sledećim stranama ćemo opisati jedan arbitraran primer da
bismo objasnili principe testiranja razlika aritmetičkih sredina.
Recimo da smo istraživali razliku u znanju matematike izmedu dečaka i
devojčica u osnovnoj školi i da smo je, sasvim prirodno, iskazali kao razliku
između aritmetičkih sredina na testu znanja iz matematike. N a osnovu prethodnih
saznanja postavili smo hipotezu da su dečaci bolji od devojčica za 5 poena -
Citalac može uočiti da naša nulta hipoteza ne sadrži nultu vrednost,
nego precizan iznos i smer razlike, i može se upitati da li je to nulta ili alteraativ-
na hipoteza. Napišimo ovu hipotezu na drugi način i videćemo da je to ipak nulta
hipoteza: H„:|j„-p.j-5=0. Dobijeni rezultati na 40-ajtemskom testu znanja prika-
zani su u tabeli 17.
Sa označavamo dobijenu razliku aritmetičkih sredina, = M „ - Mj. Sa
Om označavamo standardnu grešku aritmetičkih sredina, a sa 0[,^, standardnu
grešku razlike aritmetičkih sredina. Pošto su uzroci veliki (veći od 30'*^) za testni
statistik smo odabrali z, jer je on najjednostavniji. Z-statistik smo izračunah
prosto kao =(M^ - Mj - 5)/au^,, a indeks ,,H5" označava da je on formiran za
nultu hipotezu koja pretpostavlja vrednost razlike u populaciji od 5. Podsetimo se
da je foraiula za z-skorove Zjj=(Xij - Mj)/Oj, dakle to su devijacioni skorovi neke

Za uzorke koji su vcći ili jednaki 30 distribucije uzoraka su približno normalne.

Kako se veličina uzorka smanjuje ispod 30, distribucije uzoraka sve brže odstupaju od nor-
malne.
varijable podeljeni sa standardnom devijacijom te varijable, U gorajem izrazu za
testiranje razlike M se može uspostaviti sledeća analogija: Xjj=M^ - Mj, a Mj=5.
Dakle, mi pretpostavljamo da su u distribuciji uzoraka skorovi zapravo razlike M
dobijene na parovima uzoraka, a da je aritmetička sredina 5. Malo kasnije ćemo
videti kako bi to izgledalo kad bismo napravili neku drugu pretpostavku.
Tabela 17. - Značajnost razlika aritmetičkih sredina
Statistik Muški Ženski
n 11 2 122
M 29,03 24,83
o’ 13,644 10,908
ctm 1,1 0,95
Dm 4,1898
Odm 1,4534
z„5 -0,5512

Možemo sada zamisliti da vadimo sve nove i nove parove uzoraka (veličine
112 i 122) iz populacije učenika osnovne škole i dajemo im isti test znanja
matematike. Dobijene razlike proseka će težiti da imaju normalnu distribuciju,
jednako kao što će i svi dobijeni pojedinačni proseci težiti da imaju normalnu
distribuciju.
Kad se kaže da su razlike M normalno distribuirane, misli se da su one
normalno distribuirane oko prave razlike populacije. To znači da je aritmetička
sredina distribucije uzoraka razlika M jednakapravoj razlici u populaciji.
Na slici 22 je prikazana verovatna raspodela razlika srednjih vrednosti
dečaka i devojčica. Pretpostavili smo da su dečaci stvamo za 5 poena bolji od
devojčica, pa je srednja vrednost distribucije uzoraka = 5. Odlučili smo se da
na apscici prikažemo D^ u prirodnim jedinicama, skorovima na testu, iako bi bilo
prirodnije da na apsici bude vrednost testnog statistika - z-skora. Vidimo da se u
rasponu ±3o nalaze razlike od 0,64 do 9,36 poena. Položaj dobijene razlike D^, =
M„, - Mj = 4,1898 smo na grafikonima označili sa M„ - M^. Skrećemo pažnju da
izrazi 1,96odm i l,645a[,M, kojima su na grafikonirna označene ki'itične oblasti
(oblasti odbacivanja-zadržavanja), nisu tačno napisaui u našem konkretnom
primeru, Naime, oni su bazirani na uobičajenoj pretpostavci da je = 0. Zato u
našem primeru tim izrazim a treba dodati 5, dakle 1,96^0^ + 5, odnosno
l,645aDM + 5,
Potpuno isti principi važe i za sve druge razlike: razlike izmedu proporcija,
razlike izmedu varijansi, razlike između koeficijenata korelacije, razlike između
distribucija frekvencija i sl, Jedino su testni statistici koji se primenjuju razhčiti,
U načelu, distribucije uzoraka svih testnih statistika teži da se distribuira normal-
no kada su uzorci veliki i kada su zadovoljeni neki drugi uslovi, ali normalna
distribucija ij)ak nije univerzalni model za distribuciju razlika, Ako se radi o
malim uzorcima i uvek kađa ne važi pretpostavka normalne distribucije, statis-
tičari su utvrdili posebne zakone distribucije razlika za dotične testne statistike na
malim uzorcima. Tako je utvrđeno da se razlika srednjih vrednosti na malim
uzorcima distribuira shodno t distribuciji (tzv. Studentovoj distribuciji, po W. S.
Gossetu koji je svoje radove objavljivao pod pseudonimom „Student”). N a isti
način, R.A. Fisher je pokazao da količnik dve varijanse (koji služi testiranju
razlike te dve varijanse) ima F distribuciju. Većinom važi pravilo da t, x i

Slika 22. Raspodela razlika srednjih vrednosti i dvosmemo i jedno-

smemo testiranje

Na primcr, F i t tcsl sc praktično izjednačavaju ako se F test radi za tesliranje

razlika dve grupe. Tada F-tcsl ima broj stcpcni slobode (1, n-1), a njcgova vrednost je F =
t^ (r-tcst sa n -\ stepeni slobodc). Takođc, kako se broj stepeni slobode povećava, tako t
druge specijalizovane distribucije postaju vrlo slične normalnoj distribuciji kada
su uzorci veliki. Zbog toga se može reći da je testiranje nekim od tih specijalizo-
vanih statistika univerzalnije nego testiranje putem z-statistika.

4. Alternativna hipoteza i dvosmerno nasuprot

jednosm ernom testiranju

Altemativna ili istraživačka hipoteza, kao što smo rekli, ima vehki značaj u
testiranju hipoteza, bez obzira da li su istraživači toga svesni, ih ne. Da bi odluka
0 prihvatanju ili odbacivanju hipoteze bila ispravna, istraživač, naravno, mora biti
svestan pitanja allernativne hipoteze.
Prva reperkusija koju H, ima na testiranje hipoteze se odnosi na pitanje
jednosmernog testiranja nasuprot dvosmernom testiranju (sreću se još i tem:iini
jednosirano testiranje i dvostrano testiranje, a engleski termini su one-tailed i
two-tailed, odnosno one-sided i two-sided). Ne treba da zbunjuje to što se u litera-
turi dvosmerno testiranje nekada naziva neusmerenim testiranjem (engl. nondirec-
tional), a jednosmemo testiranje usmerenim (engl. directional). U skladu s time,
postoji i podela samih istraživačkih hipoteza na neusmerene i usmerene, u
zavisnosti od toga da li tvrde samo da razlika postoji, ili iznose i tvrdnju o smeru
razlike (v. glavu o strukturi istraživanja).
Uzmimo kao primer prelhodno navedeno istraživanje razlike u znanju mate-
matike dečaka i devojčica u srednjoj školi. Na osnovu prethodnih istraživanja
saznali smo da su na tom uzrastu dečaci bolji od devojčica za 5 poena na testu
znanja. Nas zanima da li ista ta razlika važi i kod naših srednjoškolaca. Zato smo
nultu hipotezu H„ formulisali da je u populaciji - |ij = 5. Nakon toga smo
odabrali nivo značajnosti od 0,05, što znači da ćemo tolerisati mogućnost greške
1 tipa u 5% slučajeva (greška I tipa je, kao što smo rekli, pogrešno odbacivanje
nuhe hipoteze).
Jasno je da će statističke (kao i svake druge) odluke biti donete tako da važe
u nekom rasponu uslova. Izvan tog raspona uslova nećemo očekivati da će odluka
biti dobra. Međutim, svaka odluka, pa i statistička, biće kvalitetnija ako se egzakt-
no utvrde granične, kritične vrednosti iza kojih odluka više ne važi. U našem
primeru to će biti kiitične razlike srednjih vrednosti za koje više nećemo tvrditi da
se nalaze u očekivanoj 95% zoni oko 5 poena. Jasno je da će se te vrednosti
nalaziti na kiajevima, „rcpovima” distribucije. Normalna distribucija ima dva
kraja („repa”), niski i visoki. Ako želimo da utvrdimo koje vrednosti omeđuju 5%
kritične površine ispod nomialne krive to možemo uraditi na dva načina - sa
jednog, ili sa oba kraja distribucije. Na primer, je li nam važno da li su dečaci
bolji od devojčica za 5 poena, ili nam je važno samo da postoji razlika od 5
poena, u bilo kom smenj. Da bismo odlučili koju mogućnost ćemo testirati
moramo se odlučiti za izbor altemativne hipoteze.

poslaje sve sličniji z.

 Na slici 22 osenčena polja predstavljaju h'itične oblasti. U opštem slučaju
testiranja statističkih liipoteza, ako dobijeni statistik (kao što su z ili /) pada u
kritičnu oblast, nulta hipoteza se odbacuje,
Teorijski i praktično, aitemativnih hipoteza može biti beskonačno mnogo
(što komplikuje oblast statističkog odlučivanja), ali se obično govori o opštim ili
složenim altemativnim hipotezama. Dakle, ako smo postavili H(,:|i„=pj+5, alter-
nativnih hipoteza može biti tri:

H, : fi,n^Hž+5,
>Hž+5 i
H., : P™<P2+5.
Ako se postavi alternativna hipoteza onda se Ho testira
dvosmernim testom, a ako se postave hipoteze H^ ili Hj, H„ se testira jednosmer-
nim testom. Pogledajmo sliku 22 da bismo objasnili šta to znači. Ako testiramo
dvosmeraim testom, znači da nam nije važno na koju stranu populaciona Dj,
odstupa, nego samo ispitujemo da li je ona različita od 5. Za odabrani nivo zna-
čajnosti od 0,05, percentilni skor koji omeđuje srednju površinu od 95% slučajeva
je 1,96. Medutim, vidimo da se kritičnih 5% slučajeva deli na dva dela: donjih i
gornjih 2,5% .
Naš dobijeni z od -0,5512 ima vcrovatnoću pojavljivanja od oko 0,29.
Medutim, pošto je tcstiranje dvosmerno, prcdznak z-statislika nije važan, tačnije
koristimo i negativni i pozitivni z, a usvojeni a-nivo sc dcli na dva dcla, onako
kako je prikazano grafikonom na slici 22. Dakle, jedino nam je važno da H su
dečaci različiti od devojčica za manje od 5 poena. Zato uzimamo verovatnoću z-
statistika zaneniarujući predznak i za z=0,5512 dobijamo p=0,29. To znači da
posloji 29% verovatnoće da se može dobiti viši z od 0,5512, ali i 29% verovatno-
će da se može dobiti niži z od -0,5512. U zbiru, imanio 58% verovatnoće da se
može dobiti razlika dečaka i devojčica veća nego što je dobijena. Pošto je ta
verovatnoća znatno veća od usvojenog nivoa od 5%, dobijeni z proglašavamo
nedovoljno velikim za odbacivanje nuhe hipoteze.
Isti zaključak možemo doneti ako stvari tumačimo grafički. Pošto smo na
uzorku dobili razliku izmedu dečaka i devojčica koja pada unutar raspona
±l,96aDM+5, zadržavamo nultu hipotezu da je populaciona D^ jednaka 5 i odba-
cujcmo altcrnativnu hipotezu da je populaciona Dj, različita od 5. Ako bi sc
dobijena razlika nalazila izvan intervala ±1 ,960[3m+5, odbacili bismo nultu hipote-
zu i smatrali da je D^, raziičita 5.
Međutim, ako postavimo H^ ili Hj, onda moramo naših 5% tolerisane
greške uzeti sa jednog kraja distribucije. Sada nam je p red zn a k važan, a-nivo se
uzima samo sa jednog kraja distribucije, a testiranje nulte hipoteze se naziva
jednosmernim. U našem primeru, H^ nije plauzibilna jer je dobijeni z negativan i
nema smisia na osnovu njega proveravati da li je razlika veća od 5. Dakle, razma-
tramo Hj, što znači da nas interesuje samo verovatnoća da je razlika dečaka i
devojčica manja od 5, tj. da z bude manji od dobijcnog. Usvojeni a-nivo od 0,05
omcđuje samo donjih 5% slučajeva i odgovara z= -l,6 4 5 (simetrično u odnosu na
prikaz iz donjeg grafikona slike 22). Za đobijeni z— 0,5512 postoji 29% vero-
vatnoće da se može dobiti manja vrednost. Pošto je to znatno veća verovatnoća od
5%, opet zadržavamo nultu hipotezu i odbacujemo alternativnu hipotezu Hj.
Treba uočiti da je verovatnoća jednosmernog testa duplo manja od
dvostrane (0,29 u odnosu na 0,58) i da je lako konvertovati jednu u drugu.
Ako jednostrani test tumačimo grafički, rezonovaćemo ovako: ako je dobi-
jcna razlika srednjih vrednosti D,,>-1 ,645 odm+5, zadržaćemo nultu hipotezu da je
razlika jednaka 5, a odbacićemo Hj. Medutim, ako je dobijena razlika D^<-1,645
OnM+5, odbacujemo nultu hipotezu i usvajamo altemativnu hipotezu da je razlika
manja od 5.
Primer kojim smo se ovde poslužili je namemo komplikovaniji od primera
kojima se uobičajeno ilustnije testiranje nulte hipoteze. Uobičajena nulta hipoteza
bi bila da dečaci jednako znaju matematiku kao i devojčice (Ho:p„=Mj)> a aitenia-
tivna hipoteza bi eventualno bila da su dečaci bolji od devojčica (H ,:|^>|,ij) To
bi bila „prava” nulta hipoteza, jer tvrdi da razlike nema, dok smo u našem primeru
demonstrirali kako se nulta hipoteza formira i testira za nenulte vrednosti.
Vrlo je važno uočiti da bi u slučaju „prave” nulte hipoteze, u tabeli sa rezul-
tatima istraživanjima, jedino bio različit z-statistikkoji bi sada bio z„o=2,889. Kao
što je rečeno: testni statistici se računaju za konkretnu nultu hipotezu. U našem
slučaju, jednoslrana verovatnoća z„o statistika bila bi 0,002, pa bismo zaključili
da su dečaci bolji od devojčica i da je ta razlika vrlo visoko značajna. Zašto je
sada, za uobičajenu nultu hipotezu, r-statistik viši? Zato što smo ga izračunali kao
z=(M,„ - M i)/0|,M. Nema više 5 u brojitclju,
Dakle, alternativna hipoteza odlučuje o tomc koju vrstu testiranja ćemo oba-
viti: jednostrano ili dvostrano i shodno tome, gde će biti granice kritične oblasti.
U lislinzima statističkih paketa se obično ne kaže pod kojom H, je vršeno testira-
nje, nego se za izračunatu verovatnoću (p-vrednost) kaže da li je dvostrana ili
jednostrana. Recirno da smo testirajući neku hipotezu dobili izveštaj iz programa
da je verovatnoća dobijenog /-testa (obično se koriste eng. nazivi ,,p”, significan-
ce ili sig.) jednaka 0,0585 i da je dvostrana. Mi bismo znali da je postavljena
Hi^Mi^^M,. Ako iz rezultata obrade vidimo da je M|>M,, možemo biti zaintere-
sovani da testiranje izvršimo sa H,:M ,>M 2. Ukoliko program ne nudi tu opciju,
morali bismo podeliti dobijenu verovatnoću sa dva da bismo dobili jednostrani
test (po dvostranom teslu gornja razlika nije značajna na nivou 0,05, a po jcdno-
stranom, p=0,02925, jeste). To će pažljivom čitaocubiti jasno ako analizira sliku
22 i prateća objašnjcnja.
Uglavnom, sa današnjim statističkim paketima je promcna H, i promcna
testiranja iz jednosmemog u dvostrano vrlo jednostavna. Egzaktno izračunata
verovatnoća testa (recimo /-testa) koju štampaju programi, i za koju piše da je
dvostrana, mora se podeliti sa dva da bi sc dobila jednostrana verovatnoća. U
suprotnom skičaju, ako je test bio jednosmeran, verovatnoća se mora duplirati da
bi se dobio dvosmeran test.
Osim za izbor jednosmernog ili dvosmernog testa, alternativna hipoteza je
značajna i za odredivanje iznosa grešaka 11 tipa. Naime, H q zadržavamo ako
vrednost testnog statistika pada izvan kritične oblasti (na slici 22 to znači da
razlika mora pasti u neosenčeno polje). To je obično vrlo velika oblast, što znači
da prihvatanjem Ho nismo isključili mogućnost da vrednost populacije leži negde
drugde. Tu verovatnoću, da vrednosti populacije leži negde drugde, a ne ondje
gde pretpostavlja nulta hipoteza, možemo testirati nizom specifičnih altemativnih
hipoteza. U našem primeru sa shke 22 to bi mogla biti bilo koja altemativna
hipoteza od 2,15<(M^ - Mj)<7,85. Detaljan opis određivanja verovatnoće greša-
ka II tipa, odnosno moći testa treba pogledati u udžbenicima statistike. Generalno,
moć testa je utohko veća ukoliko su specifične ahernativne hipoteze više udaljene
od nuhe hipoteze. To je sasvim logično, jer je u tom slučaju manja šansa da će
nulta hipoteza biti pogrešno zadržana.
Kad se radi o greškama II tipa, onda treba reći da su neki statistički testovi
takvi da sami po sebi imaju veću moć, pa zato treba koristiti njih kad god je mo-
guće. Pored toga, ono što istraživač može da ućini, greška II tipa će biti manja, a
moć testa veća ukoliko je standardna greška manja, a ona je uvek manja kada su
uzorci veći. U poglavlju o uzorkovanju je rečeno da stratifikovani uzorci u princi-
pu imaju manje standardne greške. I konačno, nioć statističkog testiranja će biti to
veća što je dobijena razlika veća, odnosno, preciznije, što je veličina efekta veća
(v. meta-analizu).

5. Dodatne napomene o testiranju hipoteza

U prethodnim odeljcima su već spomenuti neki aspekti na koje treba paziti

prilikom testiranja hipoteza. Prvi takav aspekt je veličina uzorka. Rečeno je da je
distribucija uzoraka razlika aritmetičkih sredina nonnalna ukoliko su uzorci
veliki, a postaje sve spljoštenija kako su uzorci manji. Zbog toga se testiranje
razlike aritmetičkih sredina može sprovoditi pomoću z-statistika na velikim uzor-
cima, ah kako se uzorci smanjuju i postaju manji od n=30, razlike proseka treba
testirati ?-statistikom. Distribucija uzoraka ^-statistika je nomialna kod velikih
uzoraka, a sve je spljoštenija što su uzorci mali. Kompenzacija određivanja per-
centila za /-skorove i njihovih verovatnoća se vrši pomoću stepena slobode.
Stepeni slobode {bss) su vrlo čest parametar u statističkim distribucijama.
Neke distribucije ih imaju jedan (npr. /-distribucija i x^-distribucija), neke dva
(npr. F-distribucija), a neke čak i tri. Pojam stepeni slobode je došao iz mehanike
(isto kao i pojam momenta distribucije) i obično se ilustruje pomoću veličine
uzorka. Kada se računa varijansa i sve izvedene mere varijabilnosti, onda se iz
formule vidi da se one računaju iz sume devijacionih skorova. Suma devijacionih
skorova ima „slobodu variranja”, odnosno broj stepeni slobode od n - \ jer je
jedan stepen slobode „potrošen” na računanje aritmetičke sredine. Otuda i vari-
jansa i standardna devijacija imaju broj stepeni slobode bss=n-\ (za razliku od
aritmetičke sredine koja ima bss=n).
U slučaju testiranja razlike aritmetičkih sredina pomoću ?-testa, za svaki
izračunati /-statistik treba izračunati i broj stepeni slobode kako bi se iz tablica
našao pravi percentilni skor. Statistički programi, naravno, to rade automatski. U
sliičaju /-testa, što je manji n, to je manji broj stepeni slobode i potrebanje sve
veći /-statistik da bi bio značajan (zato se kaže da se kod malih uzoraka H„ ređe
odbacuje, a češće zadržava).
Takođe, broj stepeni slobode proističe iz istraživačke hipoteze. To se
posebno odnosi na broj stepeni slobode za. F \" ^ statistik. U F distribuciji, broj
stepeni slobode u imenitelju sledi iz broja giupa, a broj grupa odreduje istraživač.
Epistemološki i statistički j e situacija najjasnija kada postoje samo dve grupe, tj.
kada je bss u imenitelju jedan. U tom slučaju se /^-test izjednačava sa /-testom, a
mi znamo da je istraživač imao jasnu i preciznu hipotezu. Ako uporedimo
hipoteze „učenici koji iiče tokom čitave godine imaju bolje ocene od onih koji ne
uče” i „postoji razlika u ocenama koje postižu učenici koji tokom godine uče
stahio, povremeno ili nikad”, videćemo da je prva jednostavnija i preciznija od
druge.
Veličina uzorka može, osim spljoštenosti, da utiče i na asimetriju distri-
bucije uzoraka nekih statistika (npr. kocficijenata korelacije i varijansi), a to sve
utiče na „strogost” testiranja hipoteze. Medutim, mnogo je važnije to što veličina
uzorka, kako je rečeno u prethodnom odeljku, utiče na veličinu grešaka II tipa -
što je uzorak veći, standardne greške su manje i manje su greške II tipa.
Drugi važna stvar kod testiranja razlika je što je većina testnih statistika (/,
F, x^) definisana za tzv. nezavisne uzorke. U statističkoj tcoriji nezavisni uzorci
nastaju tako što se biraju prostim slučajnim biranjem. Kod takvih uzorka, ako se
vrši ponovljeno uzorkovanje, nema korelacije izmedu izračunatih statistika; svaka
aritmetička sredina je nezavisna od prethodne, isto kao što su i varijansa, koefi-
cijent korelacije, proporcija ili bilo koji drugi statistik.
Zavisni uzorci nastaju kada su svojstva objekta merenog u jednom uzorku
neka funkcija svojstva odgovarajućeg objekta u drugom uzorku. Najčešći i
najjasniji shičaj zavisnih uzoraka nastaje u istraživanjima longitudinalnog tipa,
kada isti uzorak ispitanika ispitujemo dva ili više puta da bismo utvrdili da li
postojc neke promene. Jasno je da će uzorak u kojem su ispitanici visoki na
početku verovatno biti visok i u sledećim merenjima, a uzorak u kome su
inieijalno niski ispitaniei biće nizak i u kasnijim merenjima. To dovodi do toga da
će prva i dniga aritmetička sredina (i sve sledeće) - ako se radi 0 testiranju razlike
arilnietičkih sredina - biti korelirane ako bi se stvarno izvlačili sve novi uzorei i
ponavljala istraživanja.
Sledeći primer zavisnih uzoraka je onaj kada grupe ispitanika formiramo
jcdnačenjem (v.). Postoji, naime, velika verovatnoća da će dve osobe koje su
jednake po varijabli po kojoj su jednačene, biti slične i po drugim varijablama.
Posebno se to odnosi na situaciju kada parove biramo iz iste porodice (recimo
braća i sestre). Do zavisnosti može doći (ali ne mora) i kada istraživač ujednačava
uzorke-grupe u celini kako bi kontrolisao uticaj ekstemih varijabli, recimo
starosti, obrazovanja ili inteligencije, sa ciljem eliminisanja neželjene varijanse.
Nažalost, do zavisnosti uzoraka može doći i bez znanja i namere istraživača.
Recimo, razne društvene grupe, fonnalne ili neformahie, mogu imati skrivene
razloge koji su doveli do njihovog fonniranja. Radne grupe mogu nastati na
sociometrijskim osnovama, školska odeljenja mogu biti fomiirana po nekom
planu uprave škole, a učesnici nekog skupa mogu imati slična politička opredelje-
nja. Poznato jc da uzorkovanje lancem preporuka (engl. snovvball sampling, v.)
može dovesli do zavisnili uzoraka, jer Ijudi preporučuju svoje poznanike koji su
im slični. Sve to može kompromitovati zaključke i odluke koji se donose na
osnovu testiranja statističkih hipoteza (vidi sledeći odeljak).
Uzorak je zavisan od nekog drugog uzorka (ih je povezan sa njim) ukoliko
se u njemu za svakog ispitanika (objekta) može naći par u drugom uzorku i da
korelacija izmedu tako dobijena dva niza mera bude statistički značajna.
U slučaju zavisnih uzoraka, statistici su korelirani pa se moraju koristiti
korigovane verzije testnih statistika za testiranje hipoteza, ili potpimo drugi plan
testiranja hipoteza. U načehi, kod zavisnih uzoraka, kada između statistika postoji
korelacija, standardne greške se smanjuju jer je varijabihiost manja. Da bi se to
kompenziralo, testiranje mora biti strožije.
Testiranje razlika koje se sprovodi na istom uzorku ispitanika, na longitudi-
nalnom principu, u statistici se naziva nacrtom sa ponovljenim merenjima. Radi
se, prosto, o tome da se na istim objektima ponavljaju merenja. Postoji model
anaUze varijanse, ili generalni lineami model (GLM), koji su posebno prilagođeni
za ponovljena merenja i svakako je bolje koristiti njih nego koristiti / i F testove
i korigovati ih za zavisnost uzoraka (v. nacrt ponovljenih merenja).
Sledeće pitanje se javlja kod testiranja razlike aritmetičkih sredina putem t-
testa. Obrasci za /-statistik se razhkuju u zavisnosti od toga da li uzorci potiču iz
populacija koje imaju istu varijansu ih koje imaju razhčitu varijansu. S obzirom
da istraživač obično ne zna kolike su varijanse populacije, uobičajeno je da se
primenjuje Mest za nejednake varijanse, ali je u tom shičaju ?-test manje konzer-
vativan (lakše se odbacuje H,, i razlika proglašava značajnom). Statistički progra-
mi, da bi se rešio taj problem, prvo testiraju razHku varijansi uzoraka (obrazac sa
n-1 u imeniocu). Ako je ta razHka značajna, smatra se da populacije imaju
različitu varijansu i istraživač će koristiti Mest za nejednake populacije, a ako
razlika nije značajna istraživač će koristiti konzervativniji (strožiji) test za
jednake populacije. Dakle, za testiranje razhka izmedu grupa treba testirati dve
hipoteze: o jednakosti varijansi i jednakosti aritmetičkih sredina. Generalno reče-
no, ako su razhke izmedu grupa vrlo vehke, odluka koja će se zasnivati na testira-
nju statističke hipoteze ima vehku verovatnoću da bude tačna, bez obzira na
primenjeni obrazac. Međutim, ako su razHke male, odluka o odbacivanju H„
zavisiće od primenjene fomiule, eventuahie korekcije i odabranog nivoa značaj-
nosti. Kredibihtet istraživačeve odluke da su grupe razhčitc će u pi-vom shičaju
biti veći Ge>'je vehčina efekta veća), a u drugom manji, čak i ako je primenjen
dobar obrazac i p-vrednost niska (vidi sledeći odeljak).
 6. Sličnost korelacija i razlika

Uzmimo za primer istraživanje razlika znanja matematike među polovima

(slika 22 i prateća tabela). Tamo imamo dve grupe, dečake i devojčice i njihove
podatke sa testa znanja malematike. Videli smo da su niuškarci značajno bolji od
žena i da bi ta razlika mogla biti 5 testovnih poena.
Dakle, imamo dve varijable; jednu nezavisnu (kategorijalnu) - pol, i jednu
zavisnu - znanje matematikc. Zar tvrdnja o razlici izmedu grupa nije isto što i
tvrdnja da postoji korelacija između te dve varijable. Naravno, to su epistemo-
loški i saznajno ekvivalentne tvrdnje. Ako bismo izračunali koeficijent lineame
korelacije dobili bismo da je on oko -0,25 i da je visoko značajan. Na osno\oi
toga bismo tvrdili da devojčice (koje su nosile nominalnu oznaku 2) imaju
značajno niže znanje matematike (Q.E.D.).
Ekvivalentnost postoji izmedu svih disciplina (lehnika) koje se bave
testiranjem razlika (analize varijanse - ANOVA, muhiple analize varijanse -
MANOVA, diskriminacione analize i sl.) i odgovarajućih „korelacionih” metoda,
pre svega korelacije, regresije i kanoničke korelacione analize.
Pošto je izumitelj analize varijanse bio Sir. Ronald A. Fisher, a korelacije
Karl Pearson, mnogi govore o fišerijanskoj i pirsonijanskoj statistici (ili prosto,
Fišerovoj i Pirsonovoj). Prva iestira raziike, a drnga sličnosti. U literaturi se
često može pročitati da se radi o šizmi između eksperimentalista i korelacionista,
jer je vera prvih posvećena ANOVI a dnigih korelaciji/rcgresiji.
Lee Cronbach je 1957. opisao ,,dve kulture” u psihologiji; korelacioniste i eksperimen-
taliste. Eksperimentaliste je okarakterisao kao „vešte lutkare, koji uspevaju da drže rasplete-
nim pet-šest niti nezavisnih varijabli", a korelacioniste kao „posmatrače predstave u kojoj
priroda vuče hiljade niti". U kasnijim radovima Cronbach je ukazao da se ove dve naučne
discipline ne približavaju, nego da se još više udaljavaju jer su posvećene očuvanju jedin-
stvenosti više nego kreativnoj različitosti. Kada se analizira jezikjednih i drugih, razlike se
svode pre na vrstu pokazatelja i način njihovog izračunavanja, nego na logiku i statistiku. Na
primer, eksperimentalisti pažnju posvećuju sirovim skorovima i sumama kvadrata, a korela-
cionisti z-skorovima i varijansama.

U istraživačkoj praksi, izbor jedne od ovih statistika zavisi od prirode

nezavisne varijable: ako je ona kategorijalna, primcnjuje se Fišerova, a ako je
kontinuirana, Pirsonova. Pošto su to dva lica iste stvari, jasno je da zaključci
moraju biti identični. Naravno, uslovi koje zahtevaju jcdne i druge metode nisu
isti. Nisu isti ni prateći pokazatelji koji idu uz jedne i druge metode, kao i način
upotrebe i inteq5retacije. Zato ostaje svakom istraživaču da se odluči koju granu
statistike će koristiti i ovde nećemo nijednost od „kultura” davati prednost (pogle-
dati poglavlje o multivarijatnom eksperimentu).
 F. Da li je testiranje značajnosti nulte
hipoteze korisno

U celini gledano, testiranje značajnosti nulte hipoteze (TZNH) je jedna od

najviše napadanih oblasti primenjene statistike u naukama o ponašanju. Neki
ugledni autori izražavaju čuđenje zašto testiranje hipoteza dosada nije „zvanično
izbačeno” iz metodologije, recimo, psiholoških istraživanja. Ipak, to se dosada
nije desilo. Za to postoji viSe razloga. Izgleda da je osnovni razlog u tome što, u
statističkom smislu (onako kako je prethodno opisano), testiranje hipoteza stoji na
zdravim osnovama i ono nije pogrešno. Zbog toga vehki broj autora, koji iako
priznaju sve nedostatke testiranja nuhe hipoteze u istraživanjima, smatraju da je
ono ipak najmanje loša alternativa (v. Zumbo, 1997).
Odmah treba kazati da iskaz testiranje značajnosti nulte hipoteze može da
zavede, je r se ne testira značajnost same hipoteze. Hipoteza sama po sebi ne može
biti ni značajna ni neznačajna. Tačan naziv bi glasio „testiranje značajnosti putem
nulte hipoteze”, ali smatramo da je to predugačko i nepraktično.
Postoje dva najčešće korišćena, osnovna oblika nulte hipoteze: a) o nepo-
stojanju razUke između grupa, kada je nezavisna varijabla kategorijalna i b) o
nepostojanju povezanosti nezavisne i zavisne varijable, kada je nezavisna varijab-
la kontinuirana. Kod složenijih nacrta, kada se ,,u igru” uvedu i druge varijable,
testiranje hipoteza je sve složenije jer se u obzir moraju uzeti međusobne veze
varijabli (kao što su npr. efekti interakcija u analizi varijanse). N eki autori smatra-
ju da ako testiranje dva osnovna tipa hipoteza nije korisno, onda to pogotovo nije
korisno u složenijim nacrtima.
Dakle, ako je testiranje značajnosti korektna statistička procedura, u čemu
je problem? Čitalac bi odmah mogao zaključiti da je, u tom slučaju, problem
najverovatnije u pogrešnoj primeni testiranja značajnosti. N esum njivo je da
postoje istraživanja u kojima je odabrana pogrešna vrsta statističkog testa, ili je
procedura njegove primene bila pogrešna. Kada bi to bila sva istina, ne bi veoma
ugledni statističari, kakav je npr. Guttman, dovodih u pitanje TZNH. Radi se o
tome da su greške u primeni testiranja značajnosti tako suptihie i teško uočljive i
zato teško otklonjive, da one bacaju senku na metodu generalno. Problemi su
značajno pogoršani time što su društveni naučnici, koji imaju jak kadrovski
problem sa statistikom, tokom prethodnih decenija pretvorili TZNH u „svetu
kravu” naučne objektivnosti, krijući se iza njega, oslanjajući se na njega u
potpunosti i negujući utisak da imaju statističko poki'iće za svoje zaključke. Kao
rezuhat toga, mnogi radovi počinju naslovima kao što je; „Postoje značajne
razlike između...”. Iz toga se vidi đa je testiranje značajnosti nuhe hipoteze
dignuto na pijedestal vrhunskog epistemološkog kriterijuma da li iiešto postoji ili
nepostoji (Thompson, 1996).
 Kao odgovor, može se odmah kratko i jasno reći da je takvo uverenje
pogrešno. Testiranje nulte hipoteze je daleko od toga da može biti prvi i osnovni
kriterijum istine. Kada se tako doživljava i kada se nekritički koristi, ono stvamo
čini više štete nego koristi empirijskim istraživanjima. Upravo zbog toga su
mnogi ugledni autori zaključili da testiranje značajnosti nuhe hipoteze uopšte nije
korisna istraživačka praksa u celini. Na primer, Jacob Cohen, vrlo poznat statis-
tičar, tvrdi da su ,,sve nuhe hipoteze, barem u dvostranoj formi, pogrešne” (zato
što ono što tražimo uvek možcmo naći, samo možda u tako maloj meri da nam do
njega ne bude stalo). No, pogledajmo koje su osnovne zamerke TZNH.
Problcm reprezentativnosti uzorka. - Celokupna logika TZNH se zasniva
na tome da je uzorak biran reprezentativno. Statističari smatraju da to znači da je
izabran slučajno. Ako je uzorak pristrasan, onda je sasvim izvesno da nijedan
statistik neće biti jednak parametru, pa je i TZNH besmisleno. Testiranje značaj-
nosti nuhe hipoteze, dakle, podrazumeva shičajno biranje, a njegov je cilj samo
da odredi kolika je verovatnoća slučajne greške. Ovu činjenicu istraživači ponaša-
nja sistematski previđaju i koriste TZNH uvek, čak i onda kada znaju da su
uzorak izabrali namemo ili prigodno (v.).
Problem statističkc i prak tičn e značajnosti. - Jedan vrlo zanimljiv
problem, koji su mnogi istraživači imali prihke da iskuse, odnosi se na razlikova-
nje statističke i istraživačke značajnosti. Ovu dmgu neki nazivaju i znatnost,
stvarna, praktična ili naučna značajnost. Radi se o tome da svi koji su imali
prihke da rade sa vrlo velikim uzorcima znaju da je „tamo sve značajno”. Svaka
razHka i svaka korelacija sii statistički značajne, makar se nalazile i na osmom
decimalnom mestu (npr. na uzorku «=30.000 i korelacija od ;-=0,00000005 biće
visoko statistički značajna).
Odakle to dolazi? Podsetimo se šta je testiranje hipoteza. To je oblast
statistike zaključivanja koja se bavi generalizacijom sa uzorka na populaciju. Uz
malu simpHfikaciju, testiranje hipoteze treba da nam kaže da ii ono što smo dobili
na uzorku hči na ono što postoji u populaciji. Dakle, kada smo zadržah ih odbaci-
h nuhu hipotezu mi smo samo odhičih o tome da h naš nalaz na uzorku odgovara
stanju u populaciji.
Po definiciji, po zdravom razumu, po mateniatici i statistici, a na osnovu
onoga što je rečeno u poglavlju o uzorkovanju, kada bismo istraživanje sproveli
na populaciji, onda bi svaki nalaz bio „potpuno statistički značajan” jer „potpuno
hči na vrednost populacije”.
Zbog toga, kada dobijemo da j e neka korelacija visoko značajna, onda to
ne znači da j e ona visoka, nego samo da j e bliska vrednosti u populaciji (pretpo-
stavljenoj u H,). To isto važi za bilo koju drugu statističku hipotezu - o razlici
srednjih vrednosti, razlici varijansi, razlici frekvencija itd. Ta važna stvar se ne
uočava kod manjih uzoraka, kod kojih su obično veliki statistici značajni, a mali
neznačajni, nego se uočava samo na velikim uzorcima. Zato istraživači teže po-
grešnom izjednačavanju značajnosti sa znatnošću ih važnošću. Razlika izmedu te
dve stvari, međutim, važi uvek - i na malim i na velikim uzorcima. Danas se
rutinski istraživačima preporučiije da u svojim izvešlajiina navode veličinu
efekta'’'', jer vcličina efekta predstavlja istraživačku značajnost - znatnost,
Pogledajmo jedan mogući primer tabele iz istraživačkog izveštaja koji se
bavio uvrđivanjem uticaja osobina ličnosti na prosečnu školsku ocenu:
Anksioznost*
Savesnost’*
Impulsivnost
K onfom iizam"
pri čemu su sa označene varijable čija je korelacija sa ocenom značajna na
nivou 0,05, a sa „**” na nivou 0,01. Istraživač je, očigledno, smatrao da je poda-
tak o značajnosti najvažniji nalaz, a pri tome, umesto da navede egzaktnu p-
vrednost statističkog testa, dao je samo nivo značajnosti, koji je pri tome različit
od varijable do varijable. I jedno i dnjgo je pogrešno, pa se ovakva tabela danas
smatra skoro pa beskorisnom. Da bi tabela bila korektna, umesto zvezdica treba
uvrstiti dobijene koeficijente korelacije (veličine efekta) i tačne /j-vrednosti.
Autori koji su kritični prema testiranju nulte hipoteze tvrde da testiranje
hipoteza nije ništa drugo do testiranje veličine uzorka.
Problem „znatnosti” je donekle povezan sa sugestijama o izbegavanju
„tačkastih” odluka i koriščenju, umesto toga, intervala poverenja.
P robiem „ d a -n e ” odlučivanja. - Sledeći problem se može ilustrovati
opsesivno-kompulzivnim pridržavanjem nivoa značajnosti od 0,05 ili 0,01. Uzi-
majući u obzir sve greške merenja i generalnu pouzdanost podataka iz socijalnih
istraživanja, objektivnom posmatraču će sigurno izgledati smešno kada istraživač
jcdnu razliku koja imap-vrednost od 0,049 proglasi značajnom, a drugu, koja ima
p-vrednost od 0,051 proglasi neznačajnom.
Kada bi stvarno naučna istina u oblasti društvenih nauka zavisila od jednog
broja i od toga da li je on za 0,001 manji ili veći od nekog drugog broja, onda
bismo verovatno mogli izjednačiti društvene nauke i mehaniku. Naravno, niko ne
vrši to izjednačavanje, pa čak ni oni istraživači koji izveštavajii da „nema značaj-
ne razlike između polova na nivou 0,05”, jer je svakome vidljivo da će već
sutrašnje istraživanje, istog ili drugog istraživača, na drugom uzorku, sa nekim
dnigim memim instrumentom, dati drugačiju /3-vrednost. U tom smislu je većina
istraživača dovoljno realna da ne misli stvamo kako su na osnovu jednog ,,sig. =
0,051” dali konačan odgovor u naučnoj oblasti koju istražuju. Ipak, većina je
spremna da napiše takav zaključak u svom radu.
Da bi se izbeglo ili kompenziralo „tačkasto” odlučivanje postoje dva puta:
analiza intervala poverenja i analiza veličine efekta. Savrcmena primena mcta-
analize je pokazala da nekoliko neznačajnih razlika mogu dati visoko značajnu
razliku ako se objedine (v. poglavlje o meta-analizi).

O tome šta je veličina efekta, kako se izračunava i kako se koristi izloženo je u

poglavlju o nieta-analizi.
 Problem o b ja šn jen jap u tcm replikabilnosti.-U statističkiniudžbenicim a
se za objašnjavanje statističke značajnosti standardno koristi ilustracija sa ponav-
Ijanjem testiranja hipoteze. Isto tako je urađeno u ovoj knjizi na početku
poglavlja. Kaže se, recimo, da ako odbacimo iiultu hipotezu na 95% nivou značaj-
nosti, to znači da očekujemo da će u 95% ponovljenih testiranja (istraživanja) ona
takode biti odbačena, a samo u 5% prihvaćcna.
Danas se smatra da ishod testiranja nulte hipoteze u jednom istraživanju ni
na koji način ne treba tretirati kao očekivanje za sledeća istraživanja. Razvoj
metodologije empirijskih istraživanja je ukazao da se pitanje ponovljivosti
istraživanja mora locirati u oblast pouzdanosti, valjanosti i, pre svega, u oblast
meta-analize, a ne u testiranje nulte hipoteze.
Zamislimo situaciju d aje istraživač, tokom pregleda literature, ustanovio da
u deset prethodnih studija nije nadena značajna povezanost izmedu obrazovanja
majke i nacionalnih predrasuda. Voden logikom testiranja značajnosti nulte hipo-
teze, on bi ponovljene nalaze testiranja iskoristio kao podršku stavu da ta veza
stvarno ne postoji. Međutim, vrlo je verovatno da bi meta-analiza tih istraživanja
pokazala da ona, sva zajedno, zapravo dokazuju da veza postoji, i to sa visokom
značajnošću. Jedino što je nedostajalo pojedinačnim istraživanjima, to je veličina
uzorka. Iz toga se može izvući zaključak da značajnost uopšte nije važna, nego je
važna veličina efekta, u ovom slučaju neki pokazatelj izveden za tabele
kontingencije.
Ponavljanje testiranja, koje se koristi kao ilustracija značajnosti, potiče iz
statističke terminologije „ponavljanja eksperimenta”, kao što je npr. bacanje
kocke ili novčića, ali to ponavljanje je daleko od ponavljanja jedne složene dru-
štvene i naučne operacije, kao što je empirijsko istraživanje. Pre svega, doslovno
ponavljanje islraživanja, sa istim instrvmentima, na istim uzorcima i pod istim
uslovima j e besmisleno. Ponavljanje istraživanja ima smisla jedino ako se obavlja
na drugim uzorcima (kada se proverava eksterna validnost), sa drugim instmmen-
tima (što se naziva multimetodskimpristupom i ima za cilj proveni interne valid-
nosti), ili pod drugim uslovima (kada se proverava stabilnost konstrukta). Zato se
ponavljanje istraživanja ne može koristiti za interpretaciju ili dokazivanje
značajnosti, odnosno neznačajnosti.
T estiranje značajnosti ili intervali poverenja. -P o sto je mnoge sugestije
da se manje insislira na tačkastom odlučivanju kao što je testiranje hipoteza, a
više na interv'alnom, baziranom na inter\ alima poverenja. U našem primeru sa
slike 22 to bi značilo da se uz rezultatc testiranja hipoteze obavezno navede
interval poverenja za razliku proseka; recimo 2,15-7,85 za 95% nivo. Danas tu
praksu slede i rrmogi statistički programi. Pored toga, opsesivno-kompulzivni
nivoi 0,05 i 0,01 se mogu napustiti i odlučivanje o prihvatanju/odbacivanju se
niože prilagoditi nameni istraživanja. Na primer, ako neka nova metoda u bilo
kojoj oblasti (recimo u učenju matematike) može da doprinese barem malo da
učenici bolje znaju matematiku, a ni u kojem slučaju ne može da šteti, onda ćemo
rado odbaciti Hg (prihvatiti poboljšanje) na nivou 0,10, 0,20 ili čak 0,30.
Međutim, ako je ta metoda veoma skupa i može da postigne suprotne efekte, onda
ćemo biti strogi i prihvatićemo poboljšanje (kao dokaz da je metoda dobra) samo
ako je na nivou 0,0 1, ili čak strožijem.
U svom poznatom članku Rozeboom (1960) je ponudio jednu interpretaciju
intei-vala poverenja koja nije do kraja prihvaćena u stručnim krugovima, ali dru-
štvenom istraživaču može biti informativna. Rozcboom, naime, kaže da interval
poverenja nije ništa drugo do oblast mogućih alternativnih hipoteza. Ako u našem
primeru kažemo da se razlike izmedu dečaka i devojčica na testu matematike
kreću u intervalu 2,15-7,85, onda, prema Rozeboomu, to znači da se može
postaviti svaka od hipoteza o razlici koja spada u taj opseg, sa poverenjem od
95%. Drukčije rečeno, sa 95% sigurnošću možemo očekivati da je istinita
hipoteza sadržana u ovom intervalu, imajući u vidu samo konkretne podatke na
kojima je interv'al izračunat. U našem primeru sa slike 22 znamo da je istinita
hipoteza tačno 5, i ona je očigledno sadržana u intervalu poverenja, a da ne
znamo, interval bi nam ukazivao, pomagao da verujemo, da je „istina tu negde”.
Istina je da bismo sve ahernativne hipoteze mogli pretvoriti u nulte, preračunati
nove testne statistike (recimo t) i ponoviti TZNH, ali to bi bila manje-više besko-
risna operacija. Dobili bismo niz novih odbačenih ili prihvaćenih nultih hipoteza,
što već znamo da će se desiti iz intervala poverenja. Interval poverenja predstavlja
smernicu, ukazuje, stvara uverenje ili ideju gde bi se istinita hipoteza mogla
nalaziti i taj heuristički kvalitet se smatra glavnom prednošću intervala poverenja
u odnosu na knitu da-ne logiku nulte hipoteze.
Još jedna protivrečnost testiranja statističkih hipoteza pojavila bi se kad
bismo anketirali duštvcne istraživače pitanjem ,,da li je bolje usvojiti nivo značaj-
nosti 0,01 od 0,05". Većinabi odgovorila potvrdno jer smatra da ako je neki nalaz
više statistički značajan, on je bolji - istinitiji. To je tačno u pogledu interpretacije
nekog dobijenog testnog statistika, recimo Mesta - t statistik koji je značajan na
nivou 0,01 je veći od t-a na nivou 0,05, a biće veća (verovatno) i D^,.
Međutim, ako stvar pogledamo sa stanovišta formiranja intervala poverenja,
odnosno margine greške, videćemo jednu prostu činjenicu - kako povećavamo
nivo značajnosti, intervali poverenja su sve širi. Ja mogu da budem 90% siguran
da će moja telesna težinabiti između 95 i 105 kg, a 99% siguran da će biti između
90 i 110 kg. Ako uporedimo sa gađanjem iz puške, kao da smo viši nivo sigur-
nosti pogotka postigli tako što smo metu povećali (ili približili). Povećanje ili
približavanje mete nije moguće u istraživanjima jer su pojave takve kakve su, pa
je u tom smisiu povišavanje nivoa značajnosti beskorisno i trivijalno - njime se
ne dobija ništa. Sa stanovišta testiranja statističkih hipoteza, ono što istraživač
može da uradi, a što će imati isti efekat kao i povećavanje mete, to je da poveća
uzorak. No, gledajući epistemološki, povećavanje uzorka ni izbliza nije sve što se
može i što se treba uraditi (povećavanje uzorka, na jeziku savremene metodolo-
gije, samo povećava ekstemu validnost). Treba, takode, povećati pouzdanost i
validnost merenja i internu validnost nacrta istraživanja.
P roblem determ inističkih hipoteza. - Zamislimo da želimo da proverimo
tvrdnju nekog okultiste da može da učini da osoba nestane. Pokušaj da se ta
tvrdnja enipirijski proveri putem primene TZNH podrazumevao bi, recimo, nultu
hipotezu da okultista izazove nestanak značajno više od 50% osoba. Takav poku-
šaj je besmislen, jer bi dokazani nestanak samo jedne jedine osobe bio neopoziva
potvrda okultistovih sposobnosti, koja bi, uzgred, imala nesagledive posledice na
celokupno Ijudsko saznanje (a i na samu osobu, ako okultista ne bi znao da je
vrati).
Ovakve hipoteze je jedan od autora koji su skeptični prema TZNH (Lach-
man) nazvao detemiinističkim hipotezama, jer nemaju višestruke, mnogobrojne
ishode, čije bismo verovatnoće mogh podvrći testiranju. Takve hipoteze se ne
mogu podvrći testu nulte hipoteze.

O stali problem i. - N a osnovu prethodnih poglavlja istraživač je već mogao

zaključiti da prihkom odhičivanja o prihvatanju, odnosno odbaeivanju nulte hipo-
teze vrebaju opasnosti pogrešne upotrebe statistike. Možda nije odabran statistički
test koji ima najveću moć, možda je zanemarena činjenica da su uzorci zavisni,
možda uzorci potiču iz razhčitih populacija, možda je zanemaren problem korek-
cije kontinuiteta u tabelama kontingencije itd. Spomenuli smo i razhčite fmese u
vezi protpostavki o jednakosti varijansi populacija kod Mesta i teškoća kod doka-
zivanja nezavisnosti uzoraka.
Dalje, recimo da testiramo razUku dve grupe. Sled zaključivanja je takav da
mi pi-vo postavljamo nultu hipotezu, pa nam onda TZNPI kaže koja je verovat-
noća da će konkretni podaci biti dobijeni ukoliko nulta hipoteza važi. Taj redo-
sled zaključivanja je neprirodan istraživačima. Oni bi želeli upravo obratno, da
saznaju koliko je verovatno da se grupe ne razlikuju, na osnovu postojećih poda-
taka. Kao što kaže Ives (2003), te dve situacije se mogu ilustrovati sa sledeće dve
verovatnoće: a) verovatnoćom da jedem, pod uslovom da osećam ukus čokolade
i b) verovatnoćom da ću osetiti ukus čokolade, pod uslovom da jedem. Ove dve
altemativne verovatnoće dobro ilustruju problem različitih zaključaka koji se
mogu doneti, ali i ukazuju na značaj ocenjivanja grešaka II tipa.
Preporukc. - Glavne preporuke za prevazilaženje problema TZNH su već
opisane na prethodnim stranama. Kao što je rečeno, izvestan broj autora se zalaže
za potpuno odbacivanje TZNH, dok većina ostalih smatra da ga treba zadržati ali
uz reviziju i dopunu postupka. Rezimiraćemo ukratko preporuke za korišćenje
TZNH kako bi se ono učinilo saznajno korisnim. Neke od njih su već detaljnije
opisane, a pobrojaćemo i neke nove. Redosled navođenja ne označava važnost
preporuke.

• U interpretaciji se treba oslanjati koliko nap, toliko i na veličinu efekta. To

znači da osim rezultata testiranja nulte hipoteze treba uvek navesti veličinu
efekta. p-vrednost i veličinu efekta treba navoditi i za nalaze koji nisu
statistički značajni.
• Prilikom inteipretacije nekog statistika treba uzeti u obzir njegov interval
poverenja. Interval poverenja predstavlja prostor mogućih a plauzibilnih
„alternativnih nultih” hipoteza.
• Uvek imati na umu da moć testa (a posredno i P-verovatnoća) predstavlja
proveru efekta NV na ZV (a ne a-nivo).
• Ako grupe dolaze iz različitih populaeija, TZNH nije primereno, čak i ako
bi nulta hipoteza bila zadržana, Naime, čak i ako se dobije da bi populacije
mogle biti jcdnake po parametru koji je testiran, one su i dalje različite
populaeije.
• Ako su hipoteze determinističke, TZNH nije primereno.
• Ako su uzorci vrlo vehki, TZNH neće dodavati nove informacije.
• Ako je nieta-analiza na prethodnim studijama već pokazala da nuka hipo-
teza ne važi, nc treba ponavljati TZNH.
• Ako se koristi TZNH, u izveštaju treba uvek napisati da se radi o statisti-
čkoj značajnosti, kako neinformisani čitalac ne bi pomislio da se radi o
praktičnoj.
• Kad god je to korisno, treba koristiti nulte hipoteze koje ne porede dobijenu
vrednost sa nultom (onako kako je prikazano u našem primeru u tabeli 17).
Na primer, biće nam korisnije da vidimo da li je naš koeficijent korelacije
oko 0,50, ili 0,80, nego da li je različit od nule.
• Povezano sa prethodnim, uvek treba biti svestan alternativne hipoteze.
Proveravanje da li je eksperimentalna grupa bolja (ili lošija) od kontrolne
donosi više inforniacija nego samo da li je različita,
• Neznačajni rezultati ne dokazuju da je nulta hipoteza tačna, niti dokazuju
da ne postoji efekt, Oni samo govore da se na osnovu postojećih podataka
ne može odbaciti nulta hipoteza.
• Dobijeni />=0,001 nije ništa važniji, bolji ili impresivniji o d p=0,05. M alip
nije dokaz jačeg efekta.
• Uvek treba navesti tačnu dobijenup (umesto „<0,05"), a ocenu o tome da h
se taj nivo odbacuje ili ne zasnivati na usvojenom a-nivou, na prihvatljivom
iznosu grešaka II tipa, tj. analizi moći testa i na praktičnim zahtevima.

Ovime se spisak preporuka ne završava. U literaturi se mogu naći i dmge

sugestije i saveti u vezi pravilnog korišćenja testiranja značajnosti nulte hipoteze.

G. test

x’-statistik i x’-raspodela su vrlo rasprostranjeni u statistici i koriste se za

testiranje različitih hipoteza. U jednoj ranijoj fusnosti smo rekli da i^-statistik i t-
statistik stoje u odnosu F = kada je broj grupa jednak 2. Isto tako r-statistik i z-
statistik stoje u odnosu t = z kada je broj stepeni slobode bcskonačan {bss = ” ).
Da bi se lakše razumelo šta je %^-statistik možemo da kažemo da je = {x -
Aff/<r kada je broj stepeni slobode hss = 1. Mcđutim, tu je kraj sličnosti z-
statistika i x'-statistika.
Za x^-test se kaže da je ncparameirijski test, jer za razliku od /-testa i F-testa
ne pretpostavlja da je varijabla koja se testira nonnalno raspodeljena u populaciji,
niti prelpostavlja da statistik koji sc tcstira ima nonnalnu distribuciju uzoraka.
Zato se za x^-test kaže da je primenjiv na svim vrstama varijabli, pa i na kvalita-
tivnim, odnosno nominalnim varijablama.
Ono što x’-test čini posebno različitim od /-testa i F-testa je to što on može
da testira više od jednog statistika. To sc posliže time što je x^-statistik adilivan,
odnosno suma proizvoljno irmogo statistika (recimo razlika frekvcncija) ima
takođc x^-raspodclu.
Kojim statisticima je namenjen x^-test? U ovom tekstu isključivo frekvenci-
jama. Naime, kao što smo rekli, x'-test se vrlo mnogo koristi u statistici, ali je
njegova najčešća, skoro kolokvijalna upotreba, u testiranju razlika frekvencija.
Još prcciznije, x^-test služi porcđenju dve distribucije frekvencija. To mogu biti
bilo kakve distribucije frekvcncija, ali najčešće se radi o nekoj teorijskoj-
očekivanoj i dobijenoj distribuciji frekvencija. x^-test (kako ga opisujcmo u ovom
odeljku) može se koristiti isključivo na frekvencijama, a ne na procentima,
proporcijama ili aritmetiCkim sredinama. Takođe, pretposlavlja se da su sve frek-
vencije nezavisne, odnosno tačnije, da su svc pojave, odnosno vrednosti varijable
nezavisne. To znači da se x'-test ne može primeniti kada je isti ispitanik davao
više odgovora (kao što su, na primer, odgovori na pitanje „koje sve radio stanice
siušate”), ili kada su uzorci objekata zavisni.
Pošto pomoću x’ testiramo razliku frekvencija, uopšte nije važno kakva je
priroda varijabli o čijim se frekvencijama radi. Recimo da je to intervalna vari-
jabla „plata”, u kom slučaju se frekvcncije odnose na broj ispitanika koji primaju
ncki odredeni iznos plate. Pošto različitih iznosa plate može biti veoma mnogo
(iako Ijudi, kada ih pitate za platu, obično iznose zaokružuju na 100, 500, 700 itd.
u zavisnosti od apsolutnih iznosa), možemo varijablu plate klasifikovati, npr.: do
300, od 300 do 600 i preko 600. Tinie smo dobiU ordinahui varijabhi, a x’-testom
ćemo testirati 3 dobijene klase. Frekvencijc mogu poticati od klasifikovanja u
katcgorije ncke nominalne varijable, npr.: Srbin, Crnogorac, Mađar, MusHman
itd. Naravno, x’-test je manjc kvalitetan (efikasan) od koeficijenata korelacije, pa
se nc prcporučuje da x“-testom ispitujemo odnos dve intervahie, ih ordinalne
varijable, ah je to moguće. Ta nezavisnost od nivoa merenja čini x‘-test popuiar-
nim. Zbog toga što je nezavisan od nivoa merenja i distribucije varijabli, rekh
smo da se x" naziva neparametrijskim testom.
Formula za x^-statistik je veoma jednostavna i nije na odmet da je istraživa-
či znaju napamet je r se često javlja potreba da se njčno izračuna x'-statistik za
neke delove tabela kontingencijc ili za sažete tabelc kontigencije:

J o
 Indeks ,,đ” označava dobijene frekvencije, a indeks ,,o” označava očekivane
frekvencijc. Oblast sumiranja nije navedena, jer se podrazumeva da se sumiraju
sve željene frekvencije, a to su obično sve kućice tabele (ali ne obavezno). Oko
indeksa d i o, nažaiost, postoji zbrka. U engleskim tekstovima se sreću indeksi o
i e, od „observed” i ,,expected”. U našim tekstovima se sreću takođe o i ^ od
„opažene” i „teorijske”. Zabunu obično izaziva indeks o koji može da označava i
očekivane i opažene frekvencije. Zato treba biti pažljiv kod primene formula.
Sta kaže gornja fonnula? Iz brojioca vidimo da se izračunaju razlike dobije-
ne i očekivane frekvencije, da se te razlike kvadriraju, podele sa očekivanom
frekvencijom i međusobno saberu. Kad kažemo „dobijena i očekivana” izlazimo
u susret najčešćoj upotrebi hi-kvadrat testa, ali ponovo naglašavamo da je x^-test
namenjen testiranju razlika biio kakve dve distribucije frekvencija (uključujući i
dve dobijene).
Na primer, jeđan radnik je tokom 5 radnih dana proizveo 17, 24, 28, 23, 18
komada nekog predmeta, a dmgi radnik: 12, 16, 17, 17, 13 komada. Pomoću
testa možemo uporediti te dve dobijene distribucije sa ciljem da vidimo da li se
učinci ova dva radnika značajno razlikuju.
Iste te podatke možemo podvrći sledećem razmišljanju: da li broj proizve-
denih komada zavisi od dana u nedelji. U tom slučaju bismo distribuciju prvog
radnika uporedili sa „teorijskom” distribucijom, koja se zasniva na pretpostavci
da se svih dana proizvodi jcdnako: 2 2, 22, 2 2 , 22, 22 (za drugog radnika bi očc-
kivana distribucija bila: 15, 15, 15, 15, 15).
U prvom primeru, test razlike učinka dva radnika je dao rezultat od
X^=17,242. Za broj stepeni slobode od 4 (broj frekvencija - I) taj hi-kvadrat
prihvatamo na nivou 0,01, ili kako se u statistici piše p<0,01. Odatle ne vidimo da
h je nekim određenim danima prvi radnik postizao viši rezultat, ili je nekim dani-
mapostizao viši, a nekima niži, niti vidimo da li je ukupno gledajući, prvi radnik
imao višu produktivnost. U x^-statistiku su sve te razlike objedinjene (sabrane) i
na osnovu njega možemo da kažemo samo da je prvi radnik radio drugačije od
drugog. Postoje razne „poštapalice” koje pomažu istraživaču da odredi koji su
„izvori” značajnosti x'-testa. Jedna od tih poštapalica je analiza reziduala,
odnosno vrednosti ili ili analiza tzv. komponenti hi-kvadrata: (f^
- f f f ’if„. Tamo gde su te vrednosti najveće, tu su razlike najveće. Tako bismo,
izučavajući reziduale i sirove frekvencije videli da je prvi radnik svim danima
proizvodio više.
U drugomprimem su dobijena dva hi-kvadrata%^=3,727 i x^=l,467 od kojih
nijedan nije značajan, što znači da za dobijene dnevne razlike, ni kod jednog
radnika ne možemo da kažemo da su one nešto više od slučajnih razlika.
U poglavlju o deskriptivnoj statistici je već rečeno da se pomoću x^-testa
može testirati shčnost dobijene distribucije sa normalnom. Sada možemo reći da
se na taj način može ispitati sličnost dobijene distribucije frekvencija sa hilo
kojom teorijskom distribucijom: normalnom, binorrmom (za kategorijalne varijab-
le), Poissonovom (Puasonova, za retke događaje) itd.
 Međutim, draštveiii istraživači najčešće koriste %^-test u analizi kontin-
gencionih tabela.

1. Tabele kontingencije

Tabele kontingencije su udarno saznajno oruđe mnogih draštvenih nauka.

Poznate su po svom žargonskom nazivu „ukrštanja”. Na osnovu engleskog naziva
crosstabulation i kod nas se može sresti naziv krostabulacija. Izraz kontingencija
bi se kod nas mogao prevesti sa „sticaj” (kao „sticaj okolnosti”) i sadrži značenje
slučajnosti i povezanosti, tj. slučajne povezanosti.

Tabela 18. - Tabela kontingencije

Plata
Pol do300 300-600 preko 600 Ukupno
Zene 4 20 6 30
Muškarci 6 50 14 70
Ukupno 10 70 20 100

U tabeli kontingencije 18 prikazano je ukrštanje varijabh pola i plate na

uzorku od 100 radnika. U kućicama su prikazane dobijene frekvencije. Šta će biti
očekivane frekvencije, odnosno šta će biti draga distribucija frekvencija, distri-
bucija za poređenje, koja je neophodna za primenu x^-testa? U standardnoj analizi
tabele kontingencije, očekivana distribueija se izračunava na osnovu marginalnih
distribucija. U redu i koloni „Ukupno” prikazane su marginalne distribucije.
Egzaktan naziv „ukrštanja” koje je ovde prikazano je „dvosmerna klasifika-
cija”. Analiza kontingencionih tabela, međutim, dozvoljava da klasifikacija bude
višesmerna, odnosno da tabela bude višeulazna. U gornjem slučaju smo mogli
istraživanje ponoviti u više preduzeća i uvesti varijablu „preduzeće” kao treći
nivo klasifikacije. Ako bi varijabla „preduzeće” bila na najvišcm nivou, onda
bismo imali onoliko tabela 18 koliko imamo preduzeća.
Da bismo objasnili kako se dobija očekivana frekvencija za svaku kućicu i
kako se vrše kasnija izračunavanja, uvedimo prvo neke standarde označavanja.
Broj rcdova tabele ćemo označiti sa r, a broj kolona sa c. Sa ćemo označiti
dobijenu frekvenciju u svakoj od kućica. Indeks i može poprimiti r vrednosti;
i=l,...,r, a indeksj može poprimiti c vrednosti; ;=1 Dakle, / označavaredove,
a j kolone tabele (iz poglavlja o matematičkom jeziku statistike videli smo da je
to konvencija za sve matrice). Marginalne frekvencije kolona ćemo označiti saf^j,
a marginalne frekvencije redova sa fj^ . Tačka u indeksu označava da su sve frek-
vencije kućica na tom mestu sabrane.
Kako ćemo izračunati očekivane frekvencije za svaku kućicu? Prosto kao:

fo ij = f d i f d j / n . [74]
dakle kao proizvod pripadajućih marginalnili suma podeljen sa ukupnim brojem
odgovora (veličiiiom uzorka). x^-statistik se sada računa prosto kao;

[75]
;-l j=\ J o ij

Broj stepeni slobode za distribuciju zavisi od dimenzija kontingencione

tabele i računa se kao bss = (/■- l)(c - 1).
Vidimo da sti dobijene frekvencije one koje su reziiltat prikupljanja poda-
taka. Sta su ti logičkom smislu očekivane frekvencije kako su gore opisane? To su
frekvencije koje bismo dobili ukoliko ne bi postojala nikakva korelacija između
dve varijable, odnosno kad bi te dvc varijable bile stohastički nezavisne. Distribu-
cija frekvencija dve nczavisne varijable jednaka jc proizvodu njihovih marginal-
nih distribucija. Dakic, iako i ovde x^-testoni testiramo razhke dve distribucije, mi
u suštini testiramo nezavisnost dve varijable; to j e milta hipoteza koja se teslira
]^-testom. Ako su varijable stvarno nezavisne, odnosno ako neraa razlika izmcđu
distribucija, x"-statistik će biti jednak nuh. Što su razlike vcće i što je veća tabela
kontingencije, "/^-statistik će biti veći. Uticaj veiičine tabele na odhiku o značaj-
nosti povezanosti varijabli je kompenziran parametrom broja stepeni slobode. Sto
je broj stepeni slobode manji to je distribucija uzoraka x'-statistika asimetričnija,
a kako broj stepeni slobode tcži beskonačnom ona postaje sve sličnija normalnoj.
Na pitanje koje je postavljeno u tabeh 18; ,,da li plata zavisi od pola”
odgovor je negativan, jer izračunati x^-statistik nije značajan (jj = 0,54), što znači
da distribucija frekvcncija po kućicama ne odstupa značajno od nasumične.
lako se putem broja stepeni slobode kompenzira uticaj vcličine tabele na
značajnost statističkog tcsta, sam statistik se ne možc porcditi na kontingcncio-
nim tabelama razhčite veličine. U tom smislu on sam po scbi nije pokazatelj
asocijacije varijabli, nego je samo statistik koji služi za testiranje nultc hipoteze o
nezavisnosti. Zbog toga je konstruisan veliki broj pokazatelja asocijacije za kon-
tingencione tabele čiji je cilj da simuliraju koeficijent lineame korelacije. U
poglavlju 0 korelaciji i rcgrcsiji naveli smo 3 jednostavna uslova koje moraju
ispunjavati koeficijenti korelacije da bi prcdstavljali dobru kvantifikaciju poveza-
nosti varijabli. Odmah, nažalost, moramo reći da nijedan pokazatelj asocijacije
varijabli u kontingcncionoj tabcli ne zadovoljava ta tri uslova (neki čak ne zado-
voljavaju nijedan).
Spomenućemo tri najuobičajenija „koeficijcnta korelacije” koji se koriste u
kontingencionim tabelama. Najviše upotrebljavan je C-koeficijent (koeficijent
kontingencije) koji se računa kao;

C= - f — . [76]
X +n

lako sc najviše koristi, od svih pokazatelja sličnog tipa (koji se izvode di-
rcktno iz lii-kvadrata), C koeficijent ima najmanje statističkog smisla. Osim
nedostatka bilo kakve teorijske osnove, C koeficijent muče dva nedostatka:
minimalna vrednost mu je 0 (dakle, nema negativne vrednosti, što znači da ne
ukazuje na smer povezanosti, koji istraživač mora da utvrdi inspekcijom tabelc),
a maksimalna vrednost mu zavisi od veličine tabele. Na tabeli 2x2 njegova maksi-
malna moguća vrednost je 0,707, a što je tabela veća, to je i maksimalna moguća
vrednost C koeficijenta veća (ali praktično nikad ne dostiže 1). Iz toga sledi da se
ne mogu uporedivati C koeficijenti na različitim tabelama.
Sledeći koeficijent je <p koeficijent, koji je ekivalentan (p koeficijentu kore-
lacije za binarne varijable, poznatom iz elementarne statistike. tp se iz hi-kvadrata
računa kao;

Teorijski smisao tp koeficijenta je prilično jasan, jer on predstavlja kvadratni

koren iz proseka kvadrata svih netrivijalnih kanoničkih korelacija izmedu nomi-
nalnih varijabli (prva kanonička korelacija je kod nominalnih varijabli uvek trivi-
jalna). Nažalost, minimalna vrednost ip koeficijenta je opet nula (dakle, ne ukazu-
je na predznak povezanosti), a maksimalna vrednost mu je (k - 1) gde je =
min(r,c). <p ima najbolja svojstva kod tabela 2x2 , kada sc kreće u rasponu {0, 1 } i
kada se matematički izjednačava sa Pearsonovim r.
Treći koeficijent je Cramerov V (iako se mogu sresti i drukčije oznake), koji
se računa na sledeći način:

[78]
n{k - 1) ]J ( k - 1 )

gde je k=min(r,c). lako je formula sasvim prosta i slična ostalima, vidi se da je K

izveden skaliranjern iz (a i ima precizan teorijski smisao. Iz toga sledi da je za
tabele 2x2 Kramerov Kjednak cp koeficijentu. Iz istog razloga K teži da bude naj-
manji od svih koeficijenala, jer uzima u obzir i niske, beznačajne kanoničke kore-
lacije, kao i veličinu tabele. Minimalna vrednost K jc nula, što znači da nam ne
pomaže u odredivanju smera povezanosti. Mcdutim, on ima maksimalnu moguću
vrcdnost + 1, bez obzira na vcličinu tabele, te zbog toga može da posluži za kom-
paraciju povezanosti u tabelama različitc veličine. Sve u svemu, moglo bi se reći
da je od tri navedcna, Kramcrov koeficijent najbolja kvantifikacija asocijacije
nominalnih varij.abli, osim što, generalno rečeno, teži da podccni stvamu poveza-
nost, posebno ukoliko sve kategorije obe nominalnc varijable nisu povezane na
isti način. Ukoliko jc on mnogo manji od C koeficijenta, verovatno postojc više-
struki izvori povezanosti unutar kategorija nominalnih varijabli, što govori da bi
se nominalne varijable trebale razbiti, prefomiulisati ili spojiti.
Značajnost ova tri koeficijenta se preuzima od %• (jer se iz njega izračunava-
ju). Osim ova tri, postoje još brojni drugi pokazatelji koji su namenjeni za
ordinalne i intervahie varijable, zatim oni koji su namenjeni testiranju zavisnih
uzoraka u istraživanjima tipa ,,pre-posle” (kao što je McNemarov test), zatim
„namenski” koeficijenti za testiranje saglasnosti procenjivača (npr. Kappa), ili
određivanje relativnog rizika (npr. Mantel-Haenszel) itd. Istraživača će odmah
baciti u očaj činjenica što su vrednosti ovili pokazatelja (koje je u današnjim
statističkim paketima vrlo lako „naručiti”) obično veoma različite. Osim toga,
ocena značajnosti ovih alternativnih koeficijenata se ne izvodi iz x^, pa je u
starijim programima podatak o/?-vrednosti koeficijenta izostajao. Danas su razvi-
jene razHčite asimptotske formule za standardne greške i ugrađene u statističke
pakete, ili se čak koriste empirijske tehnike za određivanje distribucije uzoraka -
tehnike resampUnga (Monte Karlo).
K orekcija za k o n tin u itet.-K o d tabela 2x2 (ili sa jcdnim stepenom slobo-
de) mora se raditi korekcija %^-statistika zbog tzv. korekcije za kontinuitet. Ova
korekcija se naziva, po svom autoru, Vatesova korekcija. Statistički programi je
računaju automatski, čim tabela ima bss = 1 .
Postoji jedan drugi problem koji vrlo često ozbiljno muči istraživače. To je
problem nuUih, ili veoma malih očekivanih frekvencija u kućicama tabele. Ako
pogledamo formuhi za jasno je da ako je očekivana frekvencija nuha dolazi do
deljenja sa nulom. Pošto je deljenje sa nulom nemoguće, programi obično preska-
ču te kućice, ali to onda više nije ista tabela i broj stepeni slobode je pod znakom
pitanja.
Međutim, ako su očekivane frekvencije veće od nule, aii ipak male, još
uvek postoji problem korekcije za kontinuitet, ali se ona ne može izvršiti pomoću
Jejtsove korekcije ukoliko je tabela veća od 2x2. U takvim slučajevima, distribu-
cija dobijenog x^-statistika ne prati x^-distribuciju, pa je i očitavanje značajnosti
pogrešno. Jedino rešenje koje se u tim slučajevima preporučuje je da se spoje su-
sedni rcdovi ili kolone. Naime, do malih očekivanih frekvencija dolazi kada su
malc marginalne sume. Spajanje susednih redova i kolona, međutim, nije uvek
lako izvesti. Velika javnomnjenjska istraživanja produkuju na stotine, pa čak i na
Iiiljade kontingencionih tabela. Analiza svake tabele u kojoj ovaj uslov za računa-
nje x‘-testa nije zadovoljen (a takvih bude na stotine) i otkrivanje koji redovi i/ili
kolone mogu i trebaju da se spoje je praktično neizvodivo. S druge strane, neke
kategorije nominalnih varijabli mogu da se spoje, a neke ne (sa istraživačkog sta-
novišta). Ako su varijable ordinalne, lako je spojiti dva susedna ranga, međutim,
ako spojimo dva „razloga za uzimanje droge”, onda ih gubimo iz istraživanja.
Problem je još komplikovaniji zbog toga što ne postoji opšte usvojeni
standard o tome šta su „suviše male očekivane frekvencije”. U svakom slučaju,
saglasnost postoji da nijedna/, u tabeli ne sme da bude manja od 1. Neki autori,
međutim, smatraju da nijedna ne sme da bude manja od 2, a veliki broj autora
smalra da nijedna ne sme da bude manja od 5. Drugi autori (a pod pojmom „auto-
ri” podrazumevamo i statističke pakete) smatraju da se ne radi o jednoj pojedinač-
noj kućici, nego da recimo ne sme više od 20% kućica im ati/,<5.
Vrednosti i niogućnosti analize kontingencionih ta b e la .- Sve u svemu,
analiza kontingencionih tabela ne zaslužuje onaj značaj koji joj ninogi društveni
istraživači pridaju. To se posebno odnosi na konvencionalnu analizu kontingen-
cionih tabela pomoću %^-testa i C koeficijenta. U tom pogledu postoje dve karak-
teristične situacije, antagonističke po svojoj prirodi i mogućim pravcima rešenja.
Prva situacija je ona u spomenutim javnomnjenjskim istraživanjima u kojima se
koriste veliki upitnici (sa više stotina pitanja) i u kojima istraživači izrade više
stotina do više hiljada kontingencionih tabela. Na hiljadu tabela u kojima je
ukršteno više stotina pitanja, pa čak i ako je uzorak veliki (/j=1500 i više), uobiča-
jeno je da bude mnogo maUh marginalnih suma, pa da otuda bude i veliki broj
niskih očekivanih frekvencija. Zbog toga, striktno govoreći, na velikom broju tih
tabela se ne može prihvatiti ocena značajnosti na osnovu %^-statistika. Pošto istra-
živači žele da imaju i kvantifikaciju povezanosti varijabH (a ne samo ocenu njene
značajnosti, odnosno ne-značajnosti), oni posežu za nekim od koeficijenata asoci-
jacije, najčešće za C koeficijentom. Jedan od razloga za zainteresovanost istraži-
vača za C koeficijent je to što oni vide da kad je uzorak veliki, može biti zna-
čajan, a da je stvarni stepen povezanosti vrlo mali (vidi diskusiju o odnosu statis-
tičke i istraživačke značajnosti u kasnijem odeljku). Nažalost, ne samo što je C
koeficijent sam po sebi jadna kvantifikacija povezanosti dve varijable, nego kad
kontingencione tabele imaju niske očekivane frekvencije iz koga se C izraču-
nava i iz koga se izvodi njegova značajnost je nepouzdan.
Istraživači su manje-više svesni tog problema te postoji jaka tendencija da
se analiza kontingencionih tabela svede na pregled procenata"'^ i da se oblast testi-
ranja hipoteza i deskripcije korelacije potpuno zanemari. U tom slučaju se tabele
kontingencije stvamo svode na „ukrštanje”, odnosno na krostabulaciju, a primena
statistike na elementamu deskriptivnu statistiku, ih čak evidencionu statistiku,
bez ikakve (ili sa potpuno pogrešnom) generalizacijom na osnovni skup. Naime,
potpuno zanemarujući testiranje hipoteze nezavisnosti, istraživači će napisati u
izveštaju da npr. pripadnici te i te nacionalnosti više preferiraju tu i tu stranku,
bez ikakvog dokaza o tome da li se radi o značajnoj razhci u proporcijama.
Istraživači koji rade u oblasti pohtičkog i industrijskog marketinga i koji se
danas najviše bave javnomnjenjskim istraživanjimapravdaju se kratkim rokovima
(apsolutno tačno) i nesposobnošću naručilaca da apsorbuju bilo kakve druge
podatke osim procenata (delimično tačno). Cinjenica je da ta istraživanja ostaju
površno deskriptivna, površno eksplorativna, ekstenzivna i zbog svega toga nedo-
voljno iskorišćena'’^. Sve to zajedno čini jedan začarani kmg iz koga je teško
izbaciti vulgarna ukrštanja i zameniti ih snažnijim i kvalitctnijim statističkim
tehnikama, unatoč tome što bi to bilo višestruko korisno.
Dnigu situaciju čine razna istraživanja u kojima broj nominalnih varijabli
nije veliki, ili u kojima bar postoji jedan ograničeni skup varijabli koje „nose”
istraživanje i čije asocijacije čine osnovu istraživačkih zaključaka. U tim istraži-
vanjima obično ne predstavljajuproblem kratki (jjetodnevni) rokovi, niti ogroman

Mnogi istaknuli statističari, kao npr. pokojni prof K. Momirović, ne mogu da

shvalc za.što se proporcije, koje su iia slučajnim uzorcima nepristrasne procene verovatnoća
u populaciji, množe sa 100 da bi se dobili procenti.
Islini za volju, mnogi istraživači koriste podatke iz tih istraživanja za kasnijc ,,fme
analize”, kad produ rokovi i pritisak naručilaca.
broj tabela kontingencije. U tom slučaju nema nikakvih prepreka da se analiza
kontingencione tabele obavi valjano i u skladu sa savremenim razvojem statistike
noininahiih varijabli.
Kao prvo, ako se koristi testiranje nezavisnosti pomoću standardnog (tzv.
Pirsonovog) x^-testa, treba svakako otkloniti sve smetnje koje postoje njegovoj
pravihioj evaluaciji. Mora se primeniti Yatesova korekcija, ako je potrebna, i
moraju se sažeti redovi/kolone, ili se na neki drugi način moraju transfomiisati
varijable kako bi se ehminisale maie očekivane frekvencije. Ako je potrebna
kvantifikacija asocijacije, onda treba pažljivo razmotriti koji od koeficijenata (ih
koja grupa koeficijenata) najbolje odgovara. Na primer, ako su varijable ordinal-
ne, onda pažnju treba obratiti na koeficijente kao što su Kendallovi ili U
jednom prethodnom pasusu smo spomenuh još neke od mogućih koeficijenata.
Ako raspoloživi statistički paketi raspolažu ocenom značajnosti tih koeficijenata,
treba koristiti nju i standardnu grešku za prikazivanje intervala poverenja za dobi-
jeni koeficijent. Ako se različiti koeficijenti jako razhkuju po visini (što je čest
slučaj), treba na osnovu njihovih teorijskih osnova protumačiti zašto je to tako. U
jednom prethodnom pasusu smo primer jednog takvog tumačenja dali za Crame-
rov V koeficijent.
Ako je hi-kvadrat značajan, treba, kao prvo, protumačiti smer veze izmedu
varijabU - pozitivan iU negativan. Ako statistički program to omogućava treba
pogledati u kojim kućicama su razUke dobijenih i očekivanih frekvencija najveće,
jer su na tim mestima glavni izvori značajnosti hi-kvadrata (ako statistički paket
to ne omogućava, reziduali se mogu izračunati ručno). Sve u svemu, treba biti
minuciozan u analizi kontingencionih tabela od kojih zavisi prihvatanje ih odba-
civanje istraživačkih hipoteza.
Naravno, najbolje je da se anahza tabele izvrši nekom savremenijom
nietodom kao što su loglinearni modeh, anahza korespondencije ih optimalno
skaliranje (pogledati primer grafikona korespondentne anahze na str. 539). Logh-
neami modeh po svemu veoma podsećaju na faktorsku anahzu varijanse i skoro
su neophodni ako su tabele kontingencije višeulazne.
Anahza korespondencije je po izvesnim aspektima shčna faktorskoj anahzi,
a glavna prednost joj je u jakoj podršci grafičkom prikazu povezanosti varijabh i
položaju kategorija varijabh u zajedničkom prostoru. Optimalno skahranje se pod
izvesnim uslovima može potpuno svesti na anahzu korespondencije, ah je opštija
metoda koia je posebno pogodna za anahzu meštovitih tipova varijabh, koristeći
pri tome maksimum informacija sadržanih u tim varijablama.
 H. Grafičko prikazivanje rezultata

U ovoj glavi je već bilo više primera grafičkog prikaza rezultata istraživa-
nja. Međutim, mogućnosti koje danas postoje za prikazivanje različilih aspekata
prikupljenih podataka su ogromne. Već je spomenuto đa danas neki autori defmi-
šu statistiku kao oruđe za grafičko prikazivanje rezultata. To nije bez osnova, jer
su izmišljene miioge metode analize podataka čiji je prvenstveni cilj crtanje odgo-
varajućih grafikona.
Nema jeduostavnog i preglednog načina da se ukratko predstave svi tipovi
grafikona i njihova osnovna svojstva. Kao što se moglo pomisliti, crtanje grafiko-
na se danas isključivo obavlja na personahiim računarima. U tom smislu bi ovo
poglavlje moglo potpuno da se priključi glavi o primeni računara u socijalnim
istraživanjima. To što nije može se objasniti jedino povezanošću grafičkih prikaza
sa dosada opisanim metodama deskriptivne statistike.

1. Vrste grafikona i prim eri

Engleski temiini koji se koriste u programskim paketima za grafički prikaz

podataka su „chart” i „graph”. Mogućnost grafičkih prikaza postoji neposredno u
samim procesorima teksta, kao što su Microsoft Word ili Corel WordPerfect.
Pošto su jedan od najfleksibihiijih entiteta u obradi teksta tabele (eng. tables),
moduli za grafičko prikazivanje spomenutih programa mogu direktno da grafički
prikažu neku tabelu sa brojevima koja se nalazi u tekstu.
Inače, najbolji izvor grafičkih prikaza su statistički paketi koji uz ninoge
statističke tehnike nude i prateće grafikone. Po lakoći grafičkog prikazivanja
rezultata kod nas je poznat program Statistica (vidi giavu o primeni računara). U
okviru velikih statističkih pakeia postoje i posebni moduli za crtanje, gde se
postojeći grafikoni mogu modifikovati, ili napraviti novi, bez korišćenja statis-
tičkih procedura. Osnovni tipovi grafikona koje ćemo ovde spomenuti su:
• pohgoni frekvencija (engl. line),
• histogrami i stubični dijagrami (engl. bar),
• knižni dijagrami (engl. pie) i
• dijagrami raspršenja (engl. scatter diagram).
Naravno, postoje i mnogi drugi tipovi grafikona, od kojih su neki izvedeni
iz navedenih. Npr. poligoni frekvencija se mogu nacrtati samo sa karakterističnim
tačkama (na tzv. granicama intervala), bez linija koje ih povezuju (engl. dot), ili
se mogu predstaviti tako da bude islaknuta površina ispod grafikona (engl. area).
Uobičajena mogućnost svih programa je da grafikone prikazuju trodimenzional-
no, sa različitim mogućnostima varijacija trodimenzionalnog prikaza. Pod tro-
 Starosna struktura stranačkih pristalica dinienzioiialnim prikazom, ili
kako se to popularno kaže 3-D
p rik a z o m , p o d raz u m ev a se
takav raspored elem enata na
g rafik o n u koji čitao cu daje
utisak dubine odnosno prostor-
nosti. N a slici 23 je prikazan
jedan kompozitni trodimenzio-
nalni poligon frekvencija. Ne-
kada se takvi „napredni” poli-
goni frekvencija nazivaju traka-
stim grafikonima. Kažemo kom-
H do 25 B 26-35 F1 36-45 B 45+ pozitni zato što sadrži podatke o
Slika 23. Poligon frekvencija 4 serije podataka, tj. neke 4 za-
mišljene političke stranke. Ovakav dijagram je potpuno pogodan za prikaz tabela
kontingencije, u ovom slučaju bi to bila tabela u kojoj su ukršteni klasifikovana
starost i stranačko opredeljenje,
Na slici 24 je prikazana
jedna varijanta histograma. Poda- Starosn a struktura stranačkih pristalica

ci koji su prikazani na dijagramu

su oni isti sa slike 23. Ranije u
tekstu smo iskoristili histogram
da bismo prikazali distribuciju
frekvencija varijable starost (slika
14). Histogram na slici 24, osim
što je nacrtan trodimenzionalno,
sadrži više serija podataka, što
govori da je pogodan za prika-
zivanje kontingencionih tabela.
Pažljiv čitalac može upore- s,j,^a 24. Stubični dijagram
diti prikazani poligon frekvencija
i stubični dijagram i zapaziti njihove razlike kao i razlike u uočljivosti prikazanih
podataka. Generalno rečeno, posao oko crtanja grafikona zahteva iskustvo,
poznavanje mogućnosti softvera koji se koristi i smisao za shkovno izražavanje.
Obično je softver za crtanje grafikona takav da omogućava lako variranje
parametara i promene vrste grafikona. To olakšava izbor najinformativnijeg
prikaza i onog koji je istovremeno najjednostavniji.
Boja i šrafura svih površina je u većini programa pod značajnom kontrolom
korisnika. Medutim, kao što je rečeno, potrebno je iskustvo u poslu sa crtanjem
grafikona. Recimo, postoji poznati problem u pogledu razhkovanja prikaza u
bojama koji se vidi na ekranu monitora i cmo-belo-sivog prikaza u (standardnoj)
štampi. Često se, naime, dešava da dve razhčite boje daju istu nijansu sivog na
štampanoj strani, zbog čega se dve serije podataka ne mogu razhkovati.
 Konačno, na slici 25 je prikazan
kružni grafikon. Ne postoji dobar pre- s ta ro s n a s tru k tu ra s tra n a č k ih p ris ta iic a
vod originalnog engleskog izraza ,,pie
koji znači pita ili torta. Pored „kružni ^
dijagram” mogao bi se koristiti termin
„segmentni dijagram”, no, treba imati u
vidu da je termin „pita” već ušao u
kolokvijalnu upotrebu. Prikazani dija-
gram je raden u 3-D tehnici, sa upisa-
nim vrednostima (frekvencijama) i u
„eksplodiranom” obliku, u kome su kri-
ške razdvojene jedna od diuge. Svi ovi
elementi se mogu ukinuti ili modifdco-
vati, a mogu se dodati još i različiti dru- E] E3 ^g-ss @ 36-45 []] 45+
gi fonnati prikaza. SHka 25. Kružni dijagram
Medutim, na tom grafikonu vid-
Ijivaje još jedna stvar. lako su korišćeni isti podaci kao sa prethodna dva grailko-
na, ovde je prikazana samo jedna serija podataka; za „stranku 1”. Od programa do
programa varira mogućnost prikazivanja više „pitica” u istom dijagramu. Ukoliko
maksimalni broj pita koje se mogu kombinovati u istom grafikonu nije dovoljan,
korisnik mora nacrtati više grafikona. To zahteva malo više prostora i vremena,
ali je funkcionalnost potpuno očuvana jer će biti prikazani svi podaci. Bitno je to
da po svojoj logici grafikon u obliku pite nije pogodan za prikazivanje višedimen-
zionalnih klasifikacija kao što su kontingencione tabele.
Distnbucijcfrekvencija se najčešće prikazuju pomoću histograma, pohgona
frekvencija ih kružnih dijagrama. Videli smo da te distribucije ne moraju biti
proste nego dvodimenzionalne, kao što su u tabeli kontingencije, ili višcđimen-
zionalne. Naravno, kada ima mnogo dimenzija (u softveru za crtanje grafikona se
one obično nazivaju serijama) grafikon postaje nepregledan.
Cesta vrsta statističkih grafikona su dijagrami raspršenja (eng. scatter dia-
gram). Osnovni oblik tih dijagrama smo prikazali ranije u ovoj glavi na slici 18
(str. 493). N a dijagramu raspršenja su tačkama prikazani objekti (recimo ispita-
nici) u prostoin koga defmišu dve varijable. Vrlo često softver poseduje moguć-
nost da ucrta regresionu liniju, kao iiniju koja najbolje fituje povezanost te dve
varijable. Ako postoji linearna povezanost izmedu varijabli (što je najčešći
slučaj), onda će dijagram raspršenja imati oblik elipse, a linija regresije će ići
dužim prečnikom (osovinom) elipse. Taj slučaj je prikazan na slici na strani 493.
Ako je povezanost nelineama, onda će raspršenje imati oblik „kifle” (ili
banane) ili neki drugi iskrivljeni oblik. Primeri nelinearne povezanosti prikazani
su na slici 26. Zanimljivo je uočiti da se često i u tom slučaju povezanost može
sasvim zadovoljavajuće prikazati pravom linijom koja predstavlja „srednju”
liniju, sa najmanjom sumom kvadrata odstupanja. Takva prava linija je ucrtana na
grafikonu A. Slična prava linija bi ukazivala na visok stepen povezanosti i na
grafikonu B, medutim na grafikonima C i D bi prava hnija, po metodi najmnnjih
kvadrata, pogrešno sugerisala da povezanost ne postoji. U praksi se, generalno,
najbolji „rezime” povezanosti postiže odgovarajućom krivom linijom. Oblik ras-
pršenja kao što je na grafikonima C i D, ali sa znatno blažim iskrivljenjem nego
što je prikazano na slici, može se često uočiti u naukama o ponašanju. Recimo, u
psihologiji oblik povezanosti sa grafikona C ima anksioznost i školsko učenje -
najviše uče srednje anksiozni, a manje uče ekstremno niski i visoki po anksio-
znosti. Takode, najbolje procenjuju svoje mogućnosti oni koji se nalaze između
optimizma (ekstraverti, hipomanični i sl.) i pesimizma (anksiozni i depresivni),
dok „optimisti” i „pesimisti” precenjuju, odnosno potcenjuju svoje mogućnosti i
sposobnosti.

Slika 26. Primeri nelinearne povezanosti između varijabli x i y

N a kraju, s obzirom da je u tekstu naglašena upotreba savremenijih tehnika

za analizu kontingencionih tabela, na slici 27 je prikazan grafikon koji je rezultat
korespondentne analize na dve varijable: zanimanju i socijahiom statusu. U odgo-
varajućem odeljku je sponienuto da su korespondentna analiza (i matematički
veoma slična metoda, optimalno skaHranje), slični faktorskoj analizi, u ovom
shičaju primenjenoj na tabehi kontingencije. Ovde na grafikonu vidimo da su
izdvojene dve dimenzije-faktora, što je u ovom shičaju maksimalno mogući broj
jer postoje samo dve varijable. Pošto ovde nećemo posebno anahzirati prikazane
pojave, dimenzije smo jednostavno nazvah po njihoviiB ekstremnim vrednostima
(inače, na prvi pogled izgleda da bi prvu dimenziju bilo bolje nazvati „nezapo-
slen-zaposlen”, dok je druga dimenzija verovatno dimenzija statusa).
 Z a n im a n je i s o cija ln i sCatus

o Zaposlenje
» Sociialni status Prin odmor
1.5
Penzioner

l.D

Poljop
o
Nezaposlen
0.0 Ucenik a
„ o Zaposlen
Domacica
Ostalo
-.5 o
Slrucniak
PnvatA?»f'='“*
Rukovodilac

•5.0 • t.D D.D l.D 2.D

D om aćica - RukD*'Ođilac
Slika 27. Korespondentna analiza

I. Primena računara u statističkoj obradi

Kao što je spomenuto u glavi o kvantitativnoj analizi, multivarijatna analiza

nije bila primenljiva pre pojave računara. No, ne samo ona - istraživači koji su
ručno primenjivali univarijatnu ili bivarijatnu statistiku mogu da potvrde koliko
rada je zalitevala npr. izrada samo jedne kontingencione tabele na iole većem
uzorku. Računari olakšavaju primenu klasične statistike, a sine qua non su analize
individualnih razlika za koju smo rekli da se nalazi na granici statistike i heu-
ristike, odnosno ,,na jednom mestu” povezuje analizu i sintezu podataka.
U tom smislu možemo reći da računari igraju značajnu ulogu po dve
osnove. Prva je ta da omogućavaju, olakšavaju i podržavaju proces statističke
analize podataka, a druga ta da svojom dostupnošću stavljaju tu analitičku moć
istraživaču na radni sto. Ako zanemarimo ,,kadrovski problem”, današnji istraži-
vač zahvaljujući personalnom računaru ima na radnom stolu pristup informaci-
jama i analitičkim alatkama koje mu objektivno povećavaju produktivnost.
 Prvi softverski prodor je obavljen tako što je izvršena „migracija” postoje-
ćih statističkih paketa. kao što je čuveni SPSS (Statistical Package for Social
Sciences), sa vehkih (eng. mainframe) računara na personalne računare. I danas
mnogi vodeći statistički paketi kao što su spomenuti SPSS (www.spss.com), pa
SAS (SAS System, www.sas.com) i BMDP (Biomedical Data Processing, http://
www.statsol.ie/bnidp/stats.htm) potiču sa velikih računara i imaju verzije za
velike računare. Današnje verzije tih programa su manje-više potpuno prilagođe-
ne specifičnostima PC-a. Osim toga, razvijeni su i mnogi potpuno novi statistički
paketi, koji su od početka bih pravljeni za PC okruženje, što znači da su zasno-
vani na grafičkom interfejsu, lakoći crtanja grafikona, radu sa mišem itsl. Kod nas
se, u vreme DOS-a, kao takav mnogo koristio Statgraphics istoimene firme, a
danas se dosta koristi sličan program, ali namenjen Windows okruženju - Statis-
tica, američke firme Statsoft.'”
Savremeni stati.stički softverposeduješirokrepertoarprocedura. Opisaćemo
one osnovne.
• Manipulacija podacima u najopštijem smislu.
• Import i eksport podataka.
• Transformacije podataka, koje se mogu podeliti na:
• prešifriranje (rekodiranje),
• transformacije u uženi smislu i
• odlučivanje.
• Upisivanje medurezultata za kasniju upotrebu.
• Statistička analiza u najopštijem smislu.
• Meta-statistički jezik i mogućnost pisanja novih statističkih procedura.

1. Statistička anaiiza u najopštijem smislu

Svaki statistički paket raspolaž sa određenim fondom statističkih tehnika.

Pošto se oblast statističke obrade podataka stalno razvija, ne samo da ne postoji
statistički paket koji sadrži sve statističke metode, nego je fond tehnika često
sasvim ograničen i namenjen „ciljnim korisnicima” koji su odredcni u skladu sa
komercijalnim zahtevima.
U vezi sa temom ciljnih korisnika treba svakako spomenuti poznati paket
SPSS čiji akronim znači „Statistical Package for Social Sciences” (Statistički
paket za društvene nauke). Inicijalno, paket je nastao na Univerzitetu Stanford u
Kaliforniji i nakon dobrog prijema osnovana je posebna kompanija sa tim ime-
nom (www.spss.com). U nekom trenutku, ptmi naziv paketa je nestao sa korica
priručnika i današnjem korisniku je veoma teško da utvrdi šta, u stvari, znači
skraćenica SPSS. Uzrok za to je, očigledno, skretanje paketa od društvenih

Statistica jc poznata, između ostalog, po tome što na Inlcmet prczcntaciji firme

Statsoi't postoji vrlo popularan statistički priničnik: StatSoft, Inc. (2004). Elcctronic Statis-
tics Tcxlbook. Tiilsa, OK: StatSoft. http://www.statsoft.com/tcxtbook/stathonic.html.
naučnika ka širem auditorijumu, kao što su menadžment, marketing, vladine
agencije i sl., gde bi epitet ,,za društvene nauke”, po proceni kompanije, bio kon-
traproduktivan.
Kao što je rečeno, statistički paketi se značajno razlikuju u pogledu obu-
hvata statističkih tehnika. Među velikim paketima, paketima opšte namene, mogu
se očekivati statističke procedure iz svih glavnih oblasti:
o Deskriptivna statistika i statistika zaključivanja: tabele frekvencija, kontin-
gencione tabele, ispitivanje normahiosti distribucije, grafički prikazi distribucija,
izrada standardnih skorova, /-testovi, jednosmerna anahza varijanse, određivanje
potrebne vehčine uzorka. . .
• Ispitivanje razlika između grupa: ANOVA, MANOVA, Generalni hnearni
modeh, modeh sa ponovljenim m erenjim a.. .
• Regresioni modeh: lineam a i višestruka hneama regresija, postupna (eng.
stepwise) regresija, nehnearna regresija (razni modeh kao što su pohnomijalna
rcgresija i dr.), logistička regresija, probit anahza, . .
• Neparametrijski i nominahii mođeh: razni testovi koji ne pretpostavljaju
normalnu distribuciju i intervalni nivo merenja (ordinalne korelacije kao što je
Spearmanova i Kendahova, zamene za ANOVU i /-testove: Friedmanova ANO-
VA, Mann-W hitney U test, W ald-W olfowitz test), loglineami modeli, multidi-
menzionalno skaliranje, optimalno skaliranje, korespondentna anahza. . .
• Multivarijatna analiza: faktorska analiza, kanonička analiza, diskriminacio-
na analiza, klaster analiza (taksonomska anahza ili analiza grupisanja). . .
o Analiza trendova ih vremenske serije: ARIMA (obična i X -11), autore-
gresija, peglanje (eng. smoothing), desezoniranje, predviđanje . . .
• Modeli struklurnih jednačina (SEM) i pseudokauzalni modeli: konfirma-
tivna faktorska analiza, analiza putanje (eng. path analysis). . .
» Druge specijahie metode kao što su: analiza preživljavanja i životne tabele
(engl. survival analysis i life tables), određivanje pouzdanosti mernih instmme-
nata i ajtem analiza, kontrola kvaliteta . ..
• Daia minmg, odnosno kopanje po podacima, namenjeno utvrđivanju bilo
kakvih struktura ili sklopova u podacima. Jedna od metoda za kopanje po podaci-
ma su neuronske mreže.
Statistički paketi se, osim podele na „male” i „velike”, mogu podeliti i na
one pakete koji zahtevaju niži stepen statističkih znanja („laki” paketi) i one koji
su namenjeni statistički vrlo educiranim istraživačima i statističarima profesional-
cima („teški” paketi). Među prve spadaju Statistica i SPSS, a u druge S-PLUS
(Mathsoft, www.mathsoft.com), Genstat (Numerical Algorithms Group, www.
nag.co.uk) ili SAS.
Zaključak. - Teško je načiniti prepomku istraživaču koji statistički paket
da koristi. Može se, međutim, sugerisati šta su to elementi koje treba uzeti u obzir
prilikom odlučivanja.
 • Dostupnost. „Veliki” i „teški” paketi su vrlo skupi (cene im se kreću
na hiljade dolara, pa čak i preko deset hiljada dolara), a neki se i ne mogu
kupiti, nego se iznajmljuju na godinu dana. Zbog toga vrlo malo dostupni
našim istraživačima u legalnoj foraii.
• Raširenost upotrebe. Što se neki paket češće koristi (prvenstveno kod
nas, pa i u inostranstvu) veća je šansa da će istraživač moći razmenjivati
podatke, iskustva, komande i makroe. U mnogim naučnim časopisima i na
Intemetu se mogu naći članci sa uputstvima kako se neka anahza imple-
mentira na poznatim paketima, kao što je npr. SPSS.
• Lakoća upotrebe. „M ah” i „laki” paketi su generalno lakši za koriš-
ćcnjc proscčnom društvcnom istraživaču. Međutim, tehnologija grafičkih
korisničkih intcrfejsa na personalnim računarima (kao što je Windows) je
nametnula filozofiju menija i dijaloga, tako da i u najtežem paketu istra-
živač može relativno prosto da savlada upotrebu konvencionalnih statis-
tičkih procedura.
• Prilagođenost nameni. Prednost treba dati paketu koji je usmeren na
konkretnu oblast istraživanja, ili pretežno na nju. Mali i specijahzovani
paketi koji su ciljani na neke druge profesije i naučne oblasti (npr. epide-
miologija i ekonomija) nisu toliko korisni dništvenom istraživaču.
Nakon razmatranja svih ovih aspekata, izbor bi verovatno pao na SPSS kao
optimalan izbor. To ne znači da je SPSS idealan paket. Postoje značajne kritike
algoritama koji sc nalaze u osnovi njegovih procedura. Poznat je problem numeri-
čkog algoritma za diskriminacionu anahzu u SPSS-u koji dovodi do toga da, pod
određenim uslovima, rezuhati budu besmisleni (algoritam nije pogrešan, ah je
„školski”). Takode, iz nepoznatih razloga SPSS nema proccduru za kanoničku
korelacionu analizu koja se dosta koristi u psihologiji (kompanija isponičuje uteš-
ni makro za kanoniku, ah je to daleko od onoga što bi se od takvog paketa očeki-
valo), zatim hijerahijsku faktorsku anahzu i dr. SPSS, međutim, u novim verzija-
ma isporučuje vrlo dobar skup progrania iz tzv. holandske škole, koji omogućuju
multivarijatnu analizu nominalnih i ordinalnih varijabli (optimalno skaliranje).
Pored SPSS-a, svakako treba uzeti u obzir Statisticu, koja je u nekim zem-
Ijama, pa i kod nas veoma populama, Mogu se prcporučiti i drugi laki, mali i
specijalizovani paketi, ili delovi konvencionalne statistike u težim paketima, ako
su dostupni istraživaču. Razni spiskovi i opisi statističkog softvera su široko dos-
tupni na Intcrnetu, npr.: http://www.staf.ufl.edu/vlib/statistics.html, http://www.
statistics.com/content/commsoft/index.php3, http://Iib.stat.cmu.edu/ itd.
Neke nove metode. - U metode koje modemi softver nudi, a još nisu u žiži
interesovanja naših istraživača (eufemistički rečeno, jer te metode naši istraživači
jedva da koriste), treba svakako ubrojati i različite kauzalne modele i procesore
po modelu neuronskih mreža. Bilo je u proteklom periodu različitih implementa-
cija kauzalnih modela u komercijalnim statističkim paketima, ali se čini da danas
prcovladavaju rešenja kao što su LISREL Karla Joreskog (Scientific Software
Intemational, www.ssicentral.com), Amos (SmaIIwaters Corporation, www.spss.
com) i EQS. Kauzalni, odnosno tačnije rečeno pseudokauzalni modeli se danas
nazivaju modelima strukturalnih jednačina (eng. Structural Equation Modeling,
SEM) i verovatno najčešća primena u okviru njih je konfirmativna faktorska
analiza.
Neuronske mreže sa svojini početnim (i primarnim ) svojstvom da prepo-
znaju obrasce (engl. pattem recognition) pomoću samoobučavanja, sreću se u
poslednje vreme kao alternativa statističkom pristupu u klaster analizi i regresio-
noj anahzi. One pripadaju kibernetskom modelu rezonovanja, pa tako imaju vrlo
bhzak odnos sa ekspertskim sistemima koji će biti kasnije spomenuti. Svoju
posebnu primenu neuronske mreže imaju u tzv. ..kopanju po podacima" (eng.
data mining) koje se najčešće koristi u poslovnim i marketinškini anahzama. Data
mining je traganje za strukturama (obrascima) i zakonitostima u vrlo vokiminoz-
nim matricarna podataka, kada ne postoje hipoteze o meduodnosima. Data mining
je prvenstveno eksplorativni pristup podacima, ah se u tom ciiju koriste mnoge
poznate statističke telinike (u zadnje vreme sve više tehnike muUivarijatne anali-
ze), tehnike za vizuaUzaciju podataka itd.

2. Problem interpretacije rezultata statističke obrade

Kada prosečnl društveni istraživač dobije rezultate statističke obrade njemu nažalost
neće mnogo pomoći naš stav da u tom trenutku dolazi do sjedinjenja anaiize i sinteze,
nauke i statistike, indukcije i dedukcije. To se posebno odnosi na rezultate multivarijatne
statistike. Na nesreću kako društvenih istraživača, tako i statističara, postoji više razloga
zbog kojih rezuitati statističke obrade ne donose onolikc koristi koiiko bi trebalo. Taj problem
nazivamo kadrovskim problemom. U najkračem, koreni kadrovskog problema leže u
razlikama kognitivnih stiiova društvenih nauka i statistike. Prcsečan društveni istraživač ne
razume statistiku, rie razume matematiku, boji ih se, a spreman je na sve da taj konflikt
umiri. Neko to umiruje cslanjajući se na diskurzivne i narativne epistemološke pravce (sa ili
bez omalovažavanja empirijskih istraživanja), a neko nastoji da u okviru vlastitih resursa
savlada gradivo statistike. Inače, potpuno analogan konfiikt kognitivnih stilova se javlja i kod
upotrebe računara. Naime, bez obzira što moderni sofiver nastoji da od korisnika sakrije
ono što se stvarno događa - u obiiku raznih grafičkih korisničkih interfejsa (eng. Graphical
User Interface - GUI) - ipak su opšta organizacija i rad računara bazirani na stilu koji je bliži
matematiei nego, na primer, sociologiji.
Problem interpretacije dobijenih rezultata se mora prvenstveno rešavati putem edu-
kacije istraživača, kadrovskim ekipiranjem u okviru istraživačkih institucija itd., ali postoje
uslovi i postoje putevi da se stvar olakša u okviru aplikativnog softvera. Istraživači koji odra-
nije koriste računarsku obradu podataka znaju za problem krutosti planova obrade, nemo-
gućnosti variranja parametara obrade, teškoće sa ponavljanjem obrade, modeliranjem, is-
pravkama grešaka i sl. Opštom dostupnošću računara dobilo se znatno na fleksibilnosti ob-
rade, što samo po sebi olakšava korišćenje rezultata. Sve je još povoljnije kada istraživač
sam koristi personalni računar. U tom slučaju dostupni su mu .helpovi” koji prate statističke
pakete, a naročitu pogodnost čini to što može testirati razne modele obrade, proveravati
efekte uvođenja raznih varijabli i na taj način ispitivati (i razumevati) ponašanje statistićke
metode.
 a. Ekspertski sistem i za interpretaciju statističkih rezultata

Što se tiče upotrebljivosti samih rezultata statističke obrade, odnosno tzv. listinga, ili
outputa, današnji softver nudi olal<šice istraživačima l<ao što su oblmnlji prateći tekstovi i
objašnjenja, a posebno grafički prikazi rezultata. Medutim, sve su to ipak estetske korekcije
a stvarni napredak bi mogii biti ekspertski sistemi za statističku obradu podataka.
Koliko je nama poznato, ne postoji ništa slično ekspertskim sistemima za statističku
obradu u komercijalnoj upotrebl, odnosno ništa što je opšte dostupno. Poznati su nam neki
pokušaji da se napravi ekspertski sistem, čak i kod nas, međutim ništa nije dovedeno do
kraja.“
Ekspertski sistem se sastoji iz baze znanja i baze pravila zaključivanja, koje se
formiraju na osnovu saradnje i intervjuisanja eksperata u dotičnoj oblasti. Na osnovu tih
pohranjenih znanja i aktualnih podataka iz istraživanja, ili same obrade, softver ekspertskog
sistema bi istraživaču sugerisao kako da obradi podatke, ili kako da interpretira dobijene
rezultate.
Postoji vlše razloga zašto takav softver skoro da ne postoji. Između ostalog, postoje
razlozi da se veruje da postoji stručni ekskluzivizam, a zatim I slabosti u saradnji između
statističara i istraživača. Međutim, ono što je Ipak presudno u domenu multivarijatne analize
je to da ona samo liči na statistiku, a u stvari je I nešto više i nešto drugo. Otuda u multi-
varijatnoj statistici nema iskaza o statističkoj značajnosti, a nema ni opšteusvojenih krite-
rijuma za visinu koeficijenata, uporedivanje rešenja itd. Istraživači ne mogu decidirano da
kažu je II neki koeficijent vlsok ili nizak, da li je pravi broj faktora tri ili četiri, da li je koeficijent
od 0,30 u jednom istraživanju isti kao 0,40 u drugom. Ono što je bitnije, to ne mogu da kažu
ni statističari, jer su jednim svojim delom rezultati multivarijatne statistike predmet prouča-
vanja perse. Ovi nabrojani „gabaritni" problemi (mada principijelni) su samo jedna od smet-
nji u interpretaciji nalaza, jer osim njih postoji i problem izbora metode, variranja parametara
izabrane metode, pridavanja važnosti pojedinim segmentima rezultata itd.
U praksi, tokom interpretacije, u rešavanju ovih problema veliku ulogu igra subjek-
tivna procena I .osećaj". Zbog toga je ekspertu veoma teško da izdvoji manji skup pravila po
kojima bi se interpretacija trebala ravnati, a koji bi bio pogodan za softversku implementaciju
i koji bi važlo univerzalno.
No, uprkos tome smatramo da bi se u tom pravcu trebalo i moglo dosta uraditi. Više-
decenijska upotreba nekih ođ multivarijatnih tehnika je dovela do kristalizacije bitnih tačaka
interpretacije i iskustava o ponašanju dotične tehnike. Imanentna neodredenost konačnog
interpretativnog iskaza postoji i dalje, ali bi ekspertski sistem mogao suziti Izbor na manji
broj mogućnosti, mogao bi sugerisatl „kritična mesta" i eventualne dodatne obrade koje bi
razjasnile stvari. Konkretno, ekspertski sistem bi mogao pomoći u odlučivanju da II je oda-
brani uzorak varijabli i/ili objekata pogodan za odabranu tehniku. Mogao bi pomoći u pozna-
tom problemu odredivanja broja faktora, funkcija ili klastera i na drugim sličnim mestirna.

Između ostalih, ovaj aulor je imao poštcnu nameru da koncipira i realizuje jedan
ekspertski sislem za automatsku interpretaciju faktorske analize. Namcra je završila kralkim
projektom na papiru jer se po ko zna koji put potvrdilo tužno antropološko pravilo da su
želje i polrebe konstantno veće od resursa.
Pored toga, poznato nani jc da su pok. prof. Konstanin Momirović i saradniei radili
na statističkim ekspertnim sistemima u Zagrebu.
 Oni koji su razmišljali o izradi takvog ekspertskog sistema znaju da bi prost sistem
koji „čita” dobijeni listing i objašnjava pojedinačne koeficijente bio samo jedan mali korak.
Veoma bi značajno unapređenje bilo da s a m program za neku statističku tehniku bude
napravljen da radi interaktivno i u sprezi sa ekspertskim sistemom. Naime, jedna od bitnih
tehnika i pomoćnih alatki u interpretaciji je testiranje nekoliko varijanti statističke obrade i
upoređivanje raznih mogučnosti. Ta Jnduktivna heuristika" bi mogla biti vodena od strane
ekspertskog sistema.
U današnjim komercijalnim statističkim paketima se već nalaze tunkcije pomoći
(helpa) i raznih uputstava i vodiča za rad (engl. tutorial, coach, ask me). Javljaju se i opcije
formatiranja listinga u HTML formatu, ali pravi korak bi bio u tome da izlaz obrade bude u
pravom hipertekst obliku, gde bi istraživač imao mogućnost da klikom miša na neki
koeficijent dobije objašnjenje, da ima mogućnost skoka (linka) na ostale rezultate koji su
logički povezani sa dotičnim koeficijentom ili matricom itd.
Da zaključimo; cilj ekspertskog sistem za vodenje i interpretaciju statističke analize
ne može i ne treba da bude davanje konačnih odgovora. Osim u trivijalnim slučajevima,
recimo statistike zaključivanja, istraživačima niko ne može ponuditi sistem koji će „pročitati”
podatke i dati odgovore. Medutim, istraživači bi s pravom mogli očekivati softver koji bi im
pomogao u koriščenju statistike u empirijskim istraživanjima. Na taj način bi uloga računara
u tom domenu bila zaokružena.
 VII. U ZO R K O V A N JE

Glavno pitanjc uzorkovanja je ,,U odnosu na koga i)i na šta žcliino da

generaliznjeino?” U većini društvenih istraživanja istraživači su zaintcresovani
ne samo za Ijude koji su neposredno učestvovali u istraživanju - oni žeie da
njiliovi zaključci budu primenjivi generalno. Postoje slučajevi u naukama o pona-
šanju kada istraživanja nisu namenjena generalizaciji. Na primcr, može nas
zanimati ponašanje pitomaca nekog doma za napuštcnu decu i ništa više, ili
sadržaj nckog određenog medija u odredenom periodu i ništa više. Takva istraži-
vanja su retka i mnogi misle da su besmislena. Oni koji tako misle tvrde, sasvim
ispravno, da nauka bcz mogućnosti predviđanja nije nauka, a da prcdvidanje bez
generalizacija nije moguće. Mnogo češći slučaj jc da su islraživači zainteresovani
da naprave gencralizacije koje su potpuno opšte - na primcr, za sve Ijude, za sva
društva, za sve medije, ili za sve pcriode vremena.

A. Osnovni pojmovi

Populacija. - Skup pojedinaca, stvari, dogadaja ili bilo kojih cntiteta na

koji želimo da se odnose naše generalizacije naziva se populacijom. Ponekad se
populacija naziva osnovnim skiipom, a ponekad statističkom masom. Pojedince,
stvari ili događaje nazivamo članovinia populacije. Pošto se društvena istraživa-
nja najčešćc bavc Ijudima, članovi populacije su obično Ijudi.
 Ako je slučaj da istraživači žcle da izvedu sasvim generalne zakijučke, koji
se odnose na Ijude uopšte, na sva društva, i to na sve periode vretnena, pa makar
to bili samo „siromašni niuškarei stariji od 50 godina”, onda je populacija uprin-
cipii nedostupna istraživanju i nazivamo je heskonačnompopulacijom. Nc može-
mo pristupiti svim članovima populacije jer je nckima postojanjc prcstalo, a
drugima postojanje još nije počelo. Takve populacije se obično nazivaju bcsko-
načnim populacijama. Beskonačne populacije su veoma pogodne za matcmatičkc
i statističke kalkulacije verovatnoća pojavljivanja pojava koje se izučavaju.
Najčešće se populacija ne defmišc tako generalno, ncgo se omeduje nckim
vremenskim, teritorijalnim ili drugim okvirom. U tom slučaju dobijamo konačnu
populaciju. Konačna i beskonačna populacija se razlikuju po tome što prva ima
konačan broj članova, a druga beskonačan. Populacije kojc se koristc u društve-
nim naukama često imaju implicitna teritorijalna i!i vremcnska ograničenja, npr.
na određenu državu i vrcmc istraživanja. Cak i kad jc tako, populacijc u društvc-
nim istraživanjima su često toliko velike da nismo u praktičnoj mogućnosti da
istražimo sve njihovc članove. Populacija stanovnika jcdne države koja je eks-
plicitno ili implicitno vremenski omeđena na trenutak istraživanja toliko je vclika
da se u praktičnom pogledu može smatrati bcskonačnom. Svaka populacija, pa i
konačna, ako iz nje uzorkujcmo sa vraćanjem (v. kasnije) može se praktično
tretirati kao bcskonačna. Takođe, ako je populacija rmiogo vcća od uzorka, ona se
u praksi takođe trctira kao beskonačna.
Uzorak. - Staro i dobro poznato zdravorazumsko rešenjc problema spozna-
vanja svojslava populacijc je da sc istraživanje sprovcde na uzorku članova popu-
lacijc. Trgovac neće probati vino iz svih bačvi, nego samo iz nekih, neće pregle-
dati svaki džak, nego samo nekc džakove... Postoji kolokvijalni izraz za to: „štih
proba” (od njcmačkog Die Stichprobe, oglcd, nastao od izraza Dcr Slich, iibod,
bod). U suštini je svih nauka da se bave ovakvim štih probama. Medutim, bilo je
potrebno dosta vremena da se ta implicilna mctodologija iznese na svetlo dana i
da se uobliči kao naučna metoda. Danas tu metodu poznajcmo kao statistiku
zaključivanja. koja se dalje dcli na statistiku ocenjivanja i testiranje hipoteza. U
okviru te grane statistike su operacionalizovane:
• procedure vadcnja uzorka iz populacije,
• ocene svojstava populacije iz uzorka - što je upravo ona generalizacija
koja jc nama potrcbna,
• occne mogućih grešaka koje ta generalizacija sadrži i
• tcstiranje statističkih hipoteza.
Namerno kažemo „ocene”, jer sc radi upravo o tome - o ocenjivanju. Trgo-
vac iz prethodnog pasusa, koji iz praktičnih razloga ncćc da proba sve vino, nego
samo iz nekih, shtčajno odabranih bačvi, prcuzima izvestan rizik, jcr se možda
vino u bačvama koje nije probao ukiselilo. Na isti način, naučnici koji koriste
mctodu uzorka moraju da prihvate izvestan rizik jer im niko, pa ni statistika, ne
može dati garanciju da će znanje koje su stekli na uzorku važiti i u populaciji.
Slatistika nudi samo metodologiju dase, poštujući izvesne pretpostavke, generali-
zacija obavi na najboiji mogući način kako bi se na kraju mogla ocenid verovat-
noća tačnosti takve generalizacije.
Uzorak se izvlači na osnovu plana tizorka, koji predviđa veličinu uzorka,
procedure za biranje članova, definicije jedinica uzorkovanja, eventualnc stratifi-
kacije, ponderisanja, načine za izračunavanje standardne greškc i intervala pove-
renja i tome slično.
B iranje sa i bez v ra ć a n ja .- Statistički ideal biranja članova populacije u
uzorak je da svi članovi imaju jednaku šansu biranja. Mcdutim, postoji jcdan
aspekt takvog biranja koji je u statističkom pogledu veoma značajan, iako
dništveni istraživači taj značaj ne bi uočili. Radi sc o tome da li se biranje članova
iz populacije vrši sa ili bez vraćanja. Biranje bez vraćanja znači da nakon što smo
jednog člana populacije odabrali u uzorak, mi ga ne vraćamo nazad ,,u šešir”.
Suprotno od toga je slnčajno biranje sa vraćanjem, kod koga se izabrani član
vraća nazad u šešir. Primer za biranje sa vraćanjem je bacanje novčića, jer kad
god ponovo bacamo, uvek se javljaju dva ista člana (pismo i glava), sa istom
verovatnoćom pojavljivanja. Za biranje sa vraćanjem karakteristične su dve
stvari: a) šansa izbora svakog člana je uvek l/N (jer je ,,u šeširu” uvek svih N
članova populacijc) i b) jedan član može biti izabran više puta. Obe ove stvari ne
važe kod biranja bez vraćanja.
Razlike izmedu ove dve varijante prostog slučajnog biranja praktično išče-
zavaju kod velikih populacija, a potpuno iščezavaju kod beskonačnih populacija.
Ako je populacija mnogo veća od uzorka, recimo 1000 ili više puta, onda se
veličina lW n eć e mnogo menjati nakon što smo odstranili jcdan hiljaditi deo od
N. Isto tako, ako je populacija vclika, šansa da isti član bvidc biran dva puta je
praktično nulta. Trcba znati i sledeće; a) cgzaktni statistički pristup jasno razliku-
je ove dve situacije i postoje različite formule za svaku situaciju, s time što statis-
tika na izvestan način preferira biranje sa vraćanjem (za razliku od društvenih
nauka gde mogućnost da dva puta anketirate istog čoveka izgleda pogrešna), b)
stvarnc razlike u verovatnoćama i statističkom veličinama su sve manje ne samo
što je populacija veća, nego i što je uzorak veći, ali i što je populacija veća od
uzorka i c) komercijalni statistički programi uglavnom imaju ugradene formule
koje se baziraju na uzorkovanju bcz vraćanja i, naravno, za prosto slučajno
biranje (takvo opredcljenje prograniera je proisteklo iz procene da je to najvcro-
vatnija situacija sa podacima iz empirijskih istraživanja).
T eorijska i dostupna populacija. - Ako se populacija „proteže kroz
vreme”, onda postoji principijelna nemogućnost ispitivanja celokupne populacije
(ne možemo vaditi uzorke dogadaja koji su prošli ili koji se još nisu desili) i
nijedno pojcdinačno istraživanje ne može prevazići tu vremcnsku barijeru. Osim
vremcnske barijcre, mogu postojati i mnoga druga ograničenja zbog kojih stvaraa
populacija nije dostupna. Zbog toga se obično pravi razlika između teorijske i
dostupnepopidacije. Ako istražujemo siromaštvo, razloge zbog kojih Ijudi posta-
ju siromašni, stavove siromašnih Ijudi i njihovo ponašanje i ako nas zanimaju
samo stariji muškarci, onda možemo dcfinisati populaciju kao „muškarcc bez
redovnih i dovoljnih prihoda, starosti preko 50 godina”. Ova populacija je impli-
citno ograničena još i na jednu državu ih neku geopolitičku celinu, kao i na
sadašnje vreme. Ipak, ovo je još uvek teorijska populacija.
Ako se podsetimo primera sa štih probom za ispitivanje tovara vina, važan korak te
.metode" je da se izbor bačvi izvrši slučajno. Kada imate pred sobom sve bačve, onda je
lako izvršiti slučajni izbor. Međutim, kada se ispituje populacija starijih siromašnih muška-
raca, nerealno je očekivati da ih možemo sve imati pred sobom na nekom spisku. Istraživač
će verovatno uskoro ustanoviti da ne postoji praktičan način da utvrdi koliko ima takvih
starijih muškaraca, gde oni žive i kako da se do njih dopre. lako je definicija popuiacije u
početku izgledala sasvim logično, sada se pokazalo da se ona kao takva ne može operacio-
nalizovati. Zato tu populaciju zovemo teorijskom.

Ono što istraživač može da uradi u vezi svoje populacije je da obilazi na-
rodnc kuhinje, zavode za socijalni rad, humanitarne organizacije, staračke domo-
ve i eventualno neka raesta gde se takvi Ijudi okupljaju. Dakle, praktični razlozi
će nalagati đa se inicijalna teorijska defmicija populacije konkretizuje time što će
se ograničiti na evidentirane Ijudc bez prihoda. Takva populacija se naziva dos-
tupnora, praktičnom ili operacionalizovanom populacijom i uobičajeno je da se
predstavlja spiskom populacije (v. kasnije).
Prirodna je težnja istraživača da svoje nalaze uopštava što je više moguće. Ako je
uspeo, uz velike probleme, da anketira 100 dilera droge, ili da testira 50-tak Ijudi koji su imali
ozbiljan pokušaj samoubistva, on će pretendovati da njegovi zaključci budu primenjivi na
sve dilere droge i na sve samoubice. To znači da će on želeti da njegova populacija bude
opšta, pa čak i beskonačna (za sva vremena), bez obzira koliko je tokom operacionalizacije
morao da je ograniči i uslovi. Ta težnja istraživača se može razumeti, ali ništa ne sme da
prikrije činjenicu da je stvarna populacija iz koje je on vadio uzorak ograničena. U slučaju
dilera droge to bi recirno bila populacija onih koji pristaju na razgovor, a u slučaju samoubi-
ca, populacija onih koji su slučajno preživeli (pored vremenskih i teritorijalnih ograničenosti).

Jedinice uzorkovanja. - Jedinicc uzorkovanja (engl. sampling unit) su

članovi neke populacije. To mogu biti pojedinci, grupe, stvari, geografske celine
(gradovi, regioni), dogadaji ih odnosi. U istraživanjima su jedinice uzorkovanja
isto što i jedinice posniatranja (v.), ali to nije uvek tako. U zavisnosti od vrste
uzorkovanja koja se koristi (vidi kasnije), istraživač može da koristi različite
populacije sa različitini jedinicama uzorkovanja. Na primer, ako se radi o više-
etapnom uzorku, u prvoj etapi se obično biraju opštine. U tom slučaju opštine su
jedinice uzorkovanja, odnosno članovi populacije opština. U sledećoj etapi se
mogu birati naselja u okviru opština, kada su naselja jedinice uzorkovanja. Može
postojati još jedna etapa, kao što su domaćinstva, stanovi ili kuće, kada će oni biti
jedinice uzorkovanja.
Jedinice posmatranja se biraju na kraju procesa uzorkovanja, pa se onda za
njih koristi tennin prim am e ili konačne jedinice uzorkovanja. Međutim, jedinice
posmatranja i primarne jedinice uzorkovanja ne moraju uvek da se poklapaju.
P lanirani i realizovani uzorak. - Sasvim analogno odnosu teorijske i dos-
tupne populacije imamo odnos planiranog i realizovanog uzorka.
 Planirani uzorak je onakav kakav je specifirano planom uzorka. Nažalost,
nakon prikupljanja podataka istraživači se po pravilu suočavaju sa žalosnom
činjenicom d aje prikupljeno manje podataka nego što je planirano, odnosno d aje
realizovani uzorak manji nego što je planirano. Isto tako, analizom podataka vrlo
često se uočavaju disproporcije u zastupljenosti grupa čije je učešće u populaciji
poznato. Na primer, u realizovanom uzorku može da bude znatno više muškaraca
nego što bi trebalo, znatno više ispitanika sa visokom spremom ili više mladih
osoba.
Preporučuju se različite tehnike za korigovanje ovakvih nedostataka u reali-
zovanom uzorku. Medutim, kao u slučaju ispuštenih vrednosti i u svim drugim
sličnini istraživačkim noćnim morama, ako su razHke realizovanog i planiranog
uzorka male, onda je svaka korekcija podjednako dobra, isto kao što je dobro i da
se sve ostavi bez korekcije. S druge strane, ako su razlike velike, onda nijedna
korekcija nije dovoljno dobra.
Dobra korekcija zahteva mnogo dodatnog truda, napredne statističke tehni-
ke i dosta znanja. U slučaju korekcije realizovanog uzorka koja se vrši sa ciljem
da se „nadoknade” nedostajuće jedinice posmatranja (npr. ispitanici), mogu se
sprovesti vrlo opsežne analize da se utvrdi ko i zašto nije odgovarao. Između
ostaloga, mogu se poslati anketari da ponovo pokušaju da uspostave kontakt sa
osobarna koje ranije nisu našH ih koje su odbile da saraduju. Obično takve kom-
pHkaciju nisu predviđene u troškovnom i vremenskom planu istraživanja, zbog
čega se analize i korekcije ne vrše i istraživanje se završava na manjkavom
uzorku.

B. Osnovni principi uzorkovanja

Glavni i osnovni princip koga istraživač mora da poštuje priHkom izvlače-

nja uzorka je da ne sme postojati nikakav razlog za biranje nekog člana, a ne
uekog di-ugog, takav da laj razlog ima veze sa pojavom kojii istražiijemo - u
ovom skičaju siromaštvom kod starijih muškaraca. Ako svoje ispitanike nademo
u nekom zavodu za lečenje od alkohoHzma, onda ćemo dobiti uzorak onih Ijudi
koji su sebe doveh u stanje siromaštva pijenjem. Slično će se desiti ako ispitanike
biramo pomoću bolesničkih kartona iz nekih mentalnih institucija ili ako na uHci
skupljamo prosjake. Sve su to situacije u kojima uzorkujući ispitanike uzorkuje-
mo i uzroke njihovog siromaštva, a to nismo želeH, jer je jedan od ciljeva našeg
istraživanja upravo otkrivanje uzroka siromaštva.
Teorija verovatnoće i statistika kažu da se nezavisnost uzorkovanja od
pojave koja se meri najbolje postiže ako je procediira tizorkovanja zasnovana na
shtčajnosti.
 Mnogo je lakše formulisati taj cilj - slučajno biranje uzorka - nego ga ostvariti. Iz
uvodnih poglavlja o porekiu individualnih raziika znamo da je „planiranje siučaja” contra-
dictio in adiecto, pošto slučaj nastaje uvek kada nešto praktično radimo i ne možemo ga
voljno izazivati ili sprečavati. Izlaz je u tome da učinimo sve kako naša procedura biranja
članova populacije ne bi zavisila ni od jednog nama poznatog faktora. U igrama na sreču
kakvi su lutrijski bubnjevi, rulet, izvlačenje loptica, bacanje kockica itd., eliminacija poznatih
faktora se postiže tako što su: a) svi članovi populacije fizički jednaki po svim svojstvima,
osim po jednom (onome koje učestvuju u igri) i b) jzvlačenje” ne zavisi od volje i aktivnosti
čoveka koji vrši izvlačenje. Kombinacijom tih pravila može se postiči zadovoljavajuča neza-
visnost izvlačenja od bilo kog sistematskog faktora. Kažemo zadovoljavajuća, jer će uvek,
kao u svakoj praktičnoj delatnosti, postojati fabričke greške u materijalu, nejednaka težišta
kocki, razlike u trenju, razlike u elastičnosti itd.
Metode vadenja uzoraka iz populacije koje nastoje da slede logiku igara na sreću
mogu samo načelno da liče na igre na sreću. Mi ne možemo napraviti siromahe takvi da
budu jednaki, a podjednako je teško obezbediti i drugi uslov - da biranje ne zavisi od
delatnosti čoveka. Videli smo da se već tokom definisanja populacije vrši usklađivanje
populacije sa realnim mogućnostima konkretnog istraživanja. Već u toj fazi se obično
dešava da velike grupe Ijudi, nacija, država, stanovnika sela ili neke druge grupe budu
isključene iz plana istraživanja.
Ono što istraživaču ostaje je da bude ono što jeste - istraživač koji ulaže svo svoje
znanje i umeće da protumači svet oko sebe. U ovoj fazi to znači da mora sagledati pojavu
koju meri, da mora poznavati stvari koje na nju utiču ili mogu da utiču, da mora pratiti pret-
hodna iskusiva iz literature i uopšte, da aktivno i stvaralački obezbedi da sastav uzorka
bude reprezentativan u odnosu na populaciju.

Osnovni slučajni uzorak koga poznaje statistika je onaj koji se vadi po

principu igara za sreću: izvlačcnje „iz šešira”. Izvlačenje takvog uzorka se naziva
prostim slučajnim biranjem. Da bi se prosto slučajno biranje primenilo u nauka-
ma o ponašanju, mora se sačiniti kompletan spisak članova populacije - ma šta
oni bili. Taj korak očigledno zahteva da: a) populacija bude konačna i da su, kao
što je u prethodnim pasusima rečeno, b) svi njeni članovi poznati i dostupni.
Postoji nekoliko veličina koje se moraju poznavati da bi se defmisalo prosto slu-
čajno biranje:

A^= broj članova populacije. Taj broj se obično naziva veličinom

populacije.
n = broj članova u uzorku. Taj broj se obično naziva veličinom uzorka.
/ = n/N = proporcija uzorkovanja
k = N/n = interval uzorkovanja ili korak (zaoki'užen naniže)
Recimo da našu populaciju siromasnih starijih muškaraca čini Af=100.000
osoba. Na osnovu nekoliko faktora (a kasnije će biti objašnjeno koji faktori utiču
na veličinu uzorka) odlučili smo da naš uzorak mora činiti «=1000 osoba. U tom
slučaju će proporcija uzorkovanja biti f=n/N=Q,Q\. Smisao i osnovna logika
prostog slučajnog uzorka je operacionalizacija one logike koju smo prethodno
protumačili kao odsustvo bilo kakvog poznatog razloga koji bi upravljao biranjem
članova. Prosto slučajno uzorkovanje se zasniva na tomc da svi potencijalni uzor-
ci imaju jednaku verovatnoču biranja. Tim prostim izrazom, jednakom verovat-
noćom biranja, statistika je egzaktno definisala „odsustvo bilo kakvog poznatog
razloga...”. Ako svi uzorci, a iz toga sledi i svi pojedini članovi, imaju jednaku
verovatnoću biranja, onda ne samo matematika, nego i zdrav razum shvata da ne
postoji ništa što utiče na izbor članova uzorka''^.
Kako postići da svi mogući uzorci imaju jednaku šansu da budu izabrani?
Kao što smo rekli, statistika podrazumeva da je najbolja nietodologija ona koja je
ugrađena u igrama na sreću. U najprostijem vidu te metodologije bismo spome-
nuti spisak svih članova populacije isekli na trake tako da na svakoj traci stoji
naziv jednog člana. Trake (papiriće) bismo ubacili u „šešir” i izvlačili ih naslepo.
Pošto populacija koju smo uzeli za primer ima 100.000 članova, odmah je jasno
da ovaj način izvlačenja nije praktičan.
Mnogo sofisticiranija tehnika bi se zasnivala na primeni lutrijskih mašina,
ali je i ona krajnje nepraktična za društvenog istraživača. Mnogo je praktičnija
tehnika tabela slučajnih brojeva. Tabele shičajnih brojeva se mogu naći u
prilozima starijih udžbenika iz statistike, a danas su generatori slučajnih brojeva
ugrađeni u sve relevantne računarske programe.
Principi prostog slučajnog uzorka se obično u hteraturi koriste za ilustraciju
logike uzorkovanja, kao i logike rezonovanja u statistici zaključivanja uopšte.
Zato je važno da se razume koncept jednake verovatnoće biranja kao operacio-
nalizacija zahteva za otklanjenjem sistematskih izvora pristrasnosti u biranju.
Zbog čega je istraživaču potrebno da uzorak ne bude izabran pristrasno? Zato da
bi generalizacija zaključaka, sa uzorka na populaciju, bila valjana. Jedan od
preduslova za valjanost generalizacije je, dakle, da uzorak ne bude izvučen pri-
strasno. Taj uslov se ispunjava na način kako je gore opisano, eliminisanjem svih
poznatih razloga koji bi mogli uticati da neki članovi populacije imaju veću šansu
da budu vučeni. Medutim, nepristrasnost još uvek nije dovoljna da bismo na
osnovu izučavanja svojstava uzorka mogli saznati o svojstvima populacije. Po-
trebno je još da uzorak bude dovoljno veliki.
O problemu veličine uzorka i određivanju potrebne veličine biće reči u
kasnijim poglavljima. Zasada ćemo samo ukazati na osnovne dileme, koristeći
jedan ilustrativan primer. Pretpostavimo da u našoj populaciji imamo 70 Ijudi koji
su osiromašili tako što su novac izgubili na kocki. Izračunavanje verovatnoće da
će neko od njih upasti u uzorak od «=1000 ijudi je relativno složeno, ali već na
prvi pogled, zdravorazumski, izgleda sasvim moguće da se prostim slučajnim
biranjem dobije uzorak u kome nema nijedna takva osoba. Istraživač koji bi
generalizacije izvršio iz tog uzorka uopšte ne bi bio svestan kocke kao razloga za
siromaštvo. Uz pomoć softvera za Monte Karlo simulaciju došli smo do tabele 19.

Broj mogiićih uzoraka veličine n koji se mogu izvući iz populacije veličine A^se u
matemalici označava sa (broj kombinacija), Zadatak proslog slučajnog biranja jc da
svaka od kombinacija ima jednaku verovatnoću da bude izabrana.
 Tabela 19. Tabela odnosa veličine iizorka i verovalnoće obuhvatanja jedne
_______retke pojave kao što je osiromašenje zboR kockanja
H=1000 n=1200 »=2000 n=3000 «=6000 /;=9000
/ % / % / % / % / % / %
0 498 49,80 431 35,92 251 12,55 106 3,53 13 0,22 3 0,03
1 350 0,10 390 0,08 363 0,05 284 0,03 63 0,02 7 0,01
2 122 0,20 124 0,17 247 0,10 275 0,07 145 0,03 39 0,02
3 22 0,30 42 0,25 92 0,15 177 0,10 194 0,05 73 0,03
4 7 0,40 12 0,33 38 0,20 106 0,13 170 0,07 111 0,04
5 1 0,50 1 0,42 7 0,25 34 0,17 156 0,08 161 0,06
6 2 0,30 15 0,20 130 0,10 154 0,07
7 3 0,23 76 0,12 157 0,08
8 31 0,13 111 0,09
9 18 0,15 76 0,10
10 0,17 59 0,11
11 0,18 31 0,12
12 12 0,13
13 4 0,14
14 0,16
16 0,18
0,502 0,569 0,749 0,894 0,987 0,997
Naporaena: Veličina populacije je A^=l 00.000.
Stvarna proporcija pojave u populaciji j e / j=0,0007 (0,007%).
Legenda:
fi- Frekvencija pojavljivanja osobe koja je izgubila imetak na kocki u uzorku
(„retka pojava”).
/ Frekvencija uzoraka koji su imali dotičnu f^.
% Prvi red te kolone (masnim slovima) sadrži procenat uzoraka koji nisu
sadržavali nijcdnu osobu koja se kockala. U ostalim redovima jc procenat
//«xIO O . Dakle, %=0,07 odgovara „pravom” procentu koliko bi tih osoba
trebalo biti u uzorku veličine n.
p Verovatnoća da će se u uzorku tc veličine naći bar jedna osoba koja se
kockala.
Postupak za pdkupljanje podataka za tabelu je bio ovakav: iz populacije od
//=100.000 Ijudi u kojoj ima samo 70 osoba koje su postale siromašne zbog
kocke, računar je izvlačio po 1000 uzoraka, veličine «=1000, pa »=1200, itd. sve
do 77=9000. Od 1000 uzoraka veličine n=1000 u 498 uzoraka nije bila nijedna
takva osoba, a bio je jedan uzorak gde je bilo čak 5 takvih osoba. Kad su
izvlačeni uzorci od n=9000, u samo tri uzorka od 1000 nije bilo takvih osoba, ali
je u jednom uzorku bilo čak 16 osoba koje su se kockale.
 Pravi procenat osoba koje su postale siromašne zbog kocke u populaciji je
70/100000x100=0,07. Vidimo da uzorci veličine «=1000 suviše često (okvimo
50%) uopšte nisu hvatali nijednu takvu osobu. Međutira, problem s tim uzorcima
je i to što kad takva osoba uđe u uzorak, ona predstavlja najmanje 0,1% uzorka,
što je precenjivanje u odnosu na populaciju. Dakle, sa uzorkom od «=1000 ne
bismo obavili zadovoljavajući posao niukom slučaju: ili bismo potpimo prevideli
problem kockanja, ili bismo ga precenili.
Nasuprot tome, kod uzoraka veličine ij=9000 ne bismo imali problem sa
„nehvatanjem” osoba koje su se kockale (takva verovatnoća je praktično nulta).
Međutim, imali bismc otprilike 0,30 (30%) verovatnoće da dobijemo uzorak koji
sadrži manje od 6 ili više od 7 osoba. Dakle, sa uzorkom veličine 77=9000 u 60%
slučajeva bismo ili precenili ili potcenili stvarni broj osoba u populaciji.

C. Reprezentativnost uzorka

Nepristrasnost i vcličina uzorka dobrim delom defmišu jedno svojstv'o

uzorka koje se naziva reprezentativnost. Reprezentativnost uzorka u odnosu na
populaciju je osnovni kvalilet bilo kog uzorka, jcr ako uzorak po svojstvima koje
nas interesuju (na primer, po siromaštvu) ne liči na populaciju, onda je kompletna
zamisao iznevcrena. Ako trgovac vinom odabira bačve koje su mu najbliže
(zgodne), sva je prilika da neće imati dobar uzorak, što će rezultirati pogrcšnom
ocenom kvaliteta isporučene robe. Reprezentativnost bi se jednako mogla nazivati
generalizabilnošću, jer je suština reprezentativnog uzorka da se njegova svojstva
mogu generalizirati na populaciju.
Na nesrcću istraživača, za reprezentativnost uzorka se ne može izračunati
jednostavan pokazatelj. To nije svojstvo koje se može jednostavno kvantifikovati,
pogotovo ne unapred. Smatra se da su nepristrasno izvlačenje i dovoljna veličina
najbolji način da uzorak bude reprezentativan, ali garancije nema.
Uzmimo gornji primer sa 70 siromašnih muškaraca koji su imovinu izgubili
na kocki. Za potrebe ilustracije mi smo pretpostavili da ti Ijudi postoje i da ih ima
toliki broj. Inače, u stvarnosti, mi ne bismo znali da oni postoje. Cak i kad bismo
izvadili vrlo veliki uzorak od 3000 Ijudi opet bismo imali 10% šanse da iiopšte ne
registnijemo nijednu takvu osobu. Dakle, u praksi, velika je šansa da ta pojava ne
bi bila otkrivena u jednom istraživanju i da mi uopšte ne bismo bili svesni da ona
postoji i da naš uzorak, iako vrlo velik, u tom aspektu nije bio reprezentativan.
Reprezentativnost je kvalitativni cilj kome istraživač mora da teži i cilj je
svake nauke koja koristi statističku metodu da stalno proverava i poboljšava
reprezentativnost svojih uzoraka. Postoji nekoliko osnovnih problema koji ugro-
žavaju reprezcntativnost uzorka.
 • Loša operacionalizacija populacije, odnosno loš spisak populacije.
• Greške uzorkovanja, odnosno odslupanja od principa jednakih vero-
vatnoća, koje proističu iz samog plana uzorka. Ovde se mogu ubrojati
različiti sistemi podreprezentovanja ili nadreprezentovanja, ponderisanja
(post-stratifikacije), greške u određivanju stratuma itd.
• Pristrasnost uzorka ili pristrasnost odgovaranja, u koje spadaju pro-
blem neodgovora, etapa ispitanika i etapa anketara.
S druge strane, postoji više načina da se oceni reprezentativnost uzorka, a
ovde ćemo navesti dva osnovna.
• Prvi i osnovni način za oceini reprezentalivnosti iizorka j e ii evahiaciji
procedure uzorkovanja. Na primer, ako je poštovan princip jednakih verovatnoća
biranja smatraćemo da je uzorak ispunio uslove da bude reprezentativan. Kasnije
će se videti da postoji veliki broj načina na koji se istraživači dovijaju da izvuku
reprezentativne uzorke. U svim tim varijantama važi da je procedura ona koja
treba da obezbedi reprezentativnost uzorka.
• Dmgi način je da se za obeležja čija je distribucija u populaciji poznata
izvrši poredenje sa distribucijom tili obeležja u uzroku. Zato je korisno da se u
svakom istraživanju prikupe podaci o tzv. demografskim obeležjima kao što su
pol, školska sprema, zanimanje, starost, nacionahiost i sl. Dobijena distribucija tih
obeležja mora biti saglasna sa podacima iz popisa (odnosno najnovijih procena),
sa prethodnim istraživanjima i sa istraživanjima drugih autora. Postoji dobra vero-
vatnoća da je uzorak dobar ako je dobijcna distribucija demografskih obelcžja
dobra.

D. Veličina uzorka

Drugi preduslov za postizanje reprezentativnosti j e pravihio dimenzionirn-

nje uzorka. Medutim, odrcdivanje potrebne vehčine uzorka nije jednostavno i
nema jedinstvenog recepta za to šta se može smatrati dovoljno vehkim uzorkom.
U klasičnoj statistici zaključivanja obično se uzorci manji od 30 smatraju maHm
uzorcima i za testiranje aritmetičkih srcdina (razlika izmedu grupa) se za njih
mora koristiti Mest. Uzorci izmcdu 30 i 100 se smatraju srednjim uzorcima, a
uzorci veći od 100 se smatraju velikim. ■
Uz pomoć računa verovatnoće može se dokazati da ako želimo da utvrdimo
da li će glasači glasati za jednog kandidata, a ne za drugog, sa čuvenom ,,mar-
ginom greške” od ±3% glasova, a sa izvesnošću od 95%, uzorak mora biti veći od
otprilike n - \ 100. Toliki uzorak je minimalno potreban ako su dva kandidata vrlo
bliska po broju glasova (ako dele glasove oko 50-50%). Uzorak može biti sve
manji i manji što je odnos broja glasova u populaciji neravnomemiji, odnosno kad
jedan kandidat značajnije preteže, posebno ako ima više od oko 73% glasova.
Zanimljivo je da pri tome uopšte nije važno kolika je populacija: uzorci od
« = 1 100 su potrebni i dovoljni za predvidanje koji će od dva predsednička kandi-
data pobediti kako u malim zemljama, tako i u velikim. Naravno, gornji račun se
odnosi isključivo na uzorke dobijene slučajnim biranjem.
Teorija verovatnoće je inače vrlo neobična matematička disciplina i prepuna je
paradoksa i neobičnili rezultata. Postoji veliki broj polušaljivih problema koji se odnose na
račun verovatnoće, a čija rešenja odudaraju od naših intultivnih oćekivanja, nekada čak
drastlćno. Pokazalo se da Ijudl slabo razumeju pojave sa malim verovatnoćama, pogotovo
one sa tako malim verovatnoćama da se dosada nisu dogodlle. Kao jedan mali primer
takvog štlva može poslužiti naša tabela za odnos veličine uzorka u otkrivanju jedne retke
pojave. Isto tako, Ijudi slabo razumeju tzv, uslovne verovatnoće, odnosno pojam statistlčki
nezavisnih događaja - Ijudi uvek teže da stvari tumače na kauzalni način (Fajgelj, 2005).
Kao primer za vrlo retke pojave se može uzeti glasanje na izborima. Politlćka teorija
se, između ostalog, bavi pltanjem značaja jednog pojedinaćnog glasa na ishod izbora.
Nepoverenje birača da njihov glas stvarno ima neki utlcaj dovodl do malog procenta izlaska
birača na izbore. To kompromltuje demokratsku ideju koja stoji iza izbora, jer ima za ishod
da manjina bira umesto većine. Takva situacija, da jedan glas presuduje, tretlra se kao retka
pojava sa vrlo malom verovatnoćom javljanja. Neki autori kažu da je to toliko retka pojava
da se još nije dogodila. Postoje vrlo složeni matematićki i statističkl modeli za procenjivanje
stvarne verovatnoče da samo jedan glas presudi. Neki američki proračuni za američke
predsedničke izbore tu verovatnoću procenjuju na oko 1 prema 10 miliona (10“’ ).
Teorija verovatnoće omogučuje da se egzaktno izraćunaju verovatnoće pojedlnih
ishoda, u zavisnostl od veličlne uzorka, varijabilnostl (dlstribucije) pojave koja se meri i
drugih jasno definisanih uslova. Nažalost, u prosečnorn društveno-naučnom istraživanju
uslovi tipično nisu takvi. Zbog toga su istraživači oblčno prinuđeni da „gledaju kroz prste” i
da tretiraju svoje podatke kao da približno zadovoljavaju statlstičke uslove.

a) Da bismo pitanje veličine uzorka postavili u opšti logički okvir, zamisli-

mo jedan jednostavan cksperiment. Koliko bi nam Ijudi bilo potrebno da
odredimo broj ekstremiteta koje ima Ijudska rasa? Ako znamo šta da tretiramo
kao ekstremitet, a ne znamo ništa više o Ijudskoj rasi, već prvi čovek bi nam bio
dovoljan da napravimo veoma tačnu generalizaciju o broju ekstremiteta kod Ijudi.
Pošto 0 Ijudskoj rasi ne znamo ništa, verovatno bismo nastavili da tražirno i druge
Ijude, ali bismo sa svakim sledećim čovekom bivali sve sigum iji u svoju
generaiizaciju. To je posledica toga što je varijabilnost broja ekstremiteta kod
Ijudi veoma mala.
b) Ako bismo imali neki pouzdan način za utvrđivanje pola i na osnovu
prvog čoveka koga smo sreli podneli izveštaj o polu Ijudske rase, imali bismo 5 0 -
50% šanse da je naša generaiizacija ispravna. Najverovatnije bi već kod sledećeg
čoveka uvideli da smo pogrešili, a nakon relativno malog broja ispitivanjauvideli
bismo da postoje dva pola u pravihiom odnosu.
c) Medutim, ako smo zainteresovani da procenimo stepen saradljivosti Ijud-
ske rase, spremnost za razgovor ili sL, imali bismo ozbiljan problem sa generali-
zacijom. Ubrzo bismo uvideli da to nije osobina ,,ima-nema”, nego da se javlja u
 različitom stepenu i da je nije lako izmeriti. Da bismo dobili neke reprezentativne
vrednosti^za tu osobinu trebali bi nam veliki uzorci.
d) Sto se tiče boje kože, tu bismo takođe značajno pogrešili ako bismo
izveštaj napisali na osnovu prvog čoveka koga smo sreli. Stvar bi otežavalo to što
bi nam se taj pogrešan zaključak potvrdivao i nakon prilično velikog broja
sledećih slučajnih susreta. Problem je u tome što naš zaključak o boji kože zavisi
od mesta gde smo počeh istraživanje (Evropa, Afrika, Kina...). UkoHko ne bismo
putovali, otišh bismo a da ne bismo znah da postoje i druge boje kože.
Iz prethodnoga se može zaključiti da je veličina uzorka diktirana varijabil-
nošću i distribucijom pojave koja se istražuje. Broj ekstremiteta ima veoma malu
varijabilnost. Pol ima samo dve vrednosti, ah ravnomemo distribuirane (oko 50-
50%) i ravnomerno geografski raspodeljene, boja kože ima nekoliko osnovnih
vrednosti, ali nejednako geografski raspodeljenih. Telesna visina je kontinuaba
osobina koja ima svoju srednju vrednost, aU su varijacije velike. Na primer,
ocenjivanje telesne visine Ijudske rase je složen problem. Postoje regionalne,
rasne, polne, uzrasne i diTige razlike. Ako bismo pravilnom procenom telesne
visine Ijudske rase smatrali prosečnu visinu svih Ijudi, onda bismo morali napra-
viti vrlo pažljivo planiran uzorak.
Ne utiče samo raspon svojstva na veličinu uzorka, nego i oblik distribucije.
Setimo se primera sa muškarcinia koji su osiromašili zbog kocke. Da bismo bili
sigumi da ćemo registrovati takvu retku pojavu morali bismo imati uzorak veliči-
ne od najmanje «=9000. Još bi teža bila situacija ako bismo hteli da istražujemo
pojavu samoubistva, ili neke druge retke pojave. Mnogo je lakše ispitivati vre-
dnosti ako se one približno podjednako često pojavljuju, nego ako su neke vrlo
retke. Recimo, kada se ispituju stranačke preferencije, ne treba veliki uzorak da bi
se utvrdio broj pristalica par velikih stranaka. Međutim, ako želimo da vidimo da
li će neka mala stranka preći cenzus na izborima (npr. 3% glasova), onda u slu-
čajnom uzorku veličine «=100 moramo dobiti najmanje 3 simpatizera te stranke.
Nažalost, ne treba posebna metodološka edukacija da bi se znalo da je pogrešno
zaključivati na osnovu tri slučaja. Zbilja, ako izračunamo standardnu grešku
proporcije (vidi odeljak o standardnim greškama i intervahma poverenja) kao:

« V 100 ’

dobićemo da je 95-postotni interval poverenja našeg dobijenog procenta 3% ±

1,96*1,7%. Iz toga zaključujemo da „pravu vrednost” procenta u populaciji
možemo očekivati u rasponu od 0% do 6,32%. Pošto donja granica intervala pada
čak ispod nule, uobičajeno je da zaključimo kako naša prognoza obuhvata i nula
procenata glasova, te da na osnovu uzorka veličine «=100 ne možemo da t\'rdimo
da će stranka dobiti bilo koji glas (pa ni potrebnih 3%). Naš uzorak je očigledno
premali da bismo dovoljno tačno prognozirali ulazak stranke u parlament. Sa
uzorkom od «=1200, standardna greška proporcije opada na a^=0,005, čime se
95%-ni intei-val poverenja smanjuje na granice od 2,04% do 3,964%, što odgova-
ra zdravorazumskom očekivanju da se sa 30-tak obuhvaćenih simpatizera bolje
može zaključiti da li ta stranka ima podršku 3% glasača. Ako želimo da ovaj
opseg greške od oko 2% još smanjimo, moramo i dalje povećavati uzorak.
Zašto se velićine uzorka koje su potrebne za različite namene toliko razlikuju? Naime,
rečeno je da se razlika između grupa po nekoj kontinualnoj osobini kao što je telesna težina
može ustanoviti čak i na uzorku od 30 slučajeva, dok za procenu izbora predsedničkog
kandidata treba bar 1100 Ijudi. Radi se o prirodi svojstava koje merimo. Ako nas interesuje
razlika u inteligenciji učenika dva školska odeljenja, nećemo imati problema da donesemo
zaključak sa 95-postotnom sigurnošću. To je zato što je inteligencija kontinualna I pribllžno
normalno raspodeljenja osobina. Pri tome, testovi inteligencije imaju po pravilu dobra melrij-
ska svojstva, dakle mogu da je izmere pouzdano. Kad se tiče izbora dva predsednička kan-
didata, onda je svojstvo koje merimo diskontinuirano, da-ne, i ne poseduje nikakvu drugu
statističku distribuciju osim one koja se dobije na izborima. Mi moramo na osnovu uzorka da
procenimo kakva je ta distribucija. Opredeljenja za kandidata ne teže ka nekom proseku,
kao u slučaju inteligencije, nego je naš zadatak da ih tačno prebrojimo, ali ne u populaciji,
nego na uzorku (prebrojavanje populacije će se izvršiti na izborima - manje ili više tačno).

S tatističko zaključivanje i veličina uzo rka.- Zainteresovanom čitaocu će naša

tabeia 19 na str. 553 biti zanimljiva ilustracija odnosa veličine uzorka i greške statističkog
zaključivanja. Tamo smo zadali računaru da prostim slučajnim biranjem izdvoji 1000 uzora-
ke veličine n=1000 (ne treba brkati ova dva broja 1000). Od 1000 uzoraka, u njih 498 nije
bilo nijedne osobe koja se kockala. U 350 uzoraka je ušla jedna osoba, u 122 uzorka su
obuhvaćene dve osobe itd. Ova distribucija se naziva distribucijom uzorkovanja, ili distri-
bucijom uzoraka (v.). Distribucije uzoraka su najčešće normalne, ili se mogu tretirati kao
približno normalne.“ U našem primeru sve izgleda vrlo prosto jer smo mi veštački napravill
kako populaciju, tako i svih 1000 uzoraka. U praksi tako nešto nije moguće. Moguće je, uz
dosta rada, truda, napora i sreće, sprovesti jedno jedino terensko istraživanje na 1000
siromašnih starijih muškaraca. Recimo da smo medu tih 1000 Ijudi našli dvojicu koji su rekli
da su u svoju tešku životnu situaciju došli zbog kockanja. Ako nemamo nikakvih predznanja
0 toj pojavi (što je u praksi maio verovatno jer postoji literatura), onda će naša prirodna želja
biti da zaključimo kako identičan procenat važi i u populaciji: 0,2%, dakle sve skupa oko 200
Ijudi. Kako da proverimo valjanost te naše generalizacije? Iz tabele 19 možemo da vidimo
približne distribucije uzoraka frekvencija (a iste su i za proporcije, odnosno procente).
Standardna devijacija distribucije uzoraka se naziva standardnom greškom. Ako pretpo-
stavimo da je distribucija uzoraka približno normalna, znamo da 95% slučajeva upada u
raspon od +1,960^, a 99% u raspon od ±2,580^, gde je standardna greška proporcije.
Možemo dakle izračunati standardnu grešku proporcije kao:

-mu. 180]

odnosno 0,14%. Dakle, na osnovu našeg uzorka i na osnovu dobijenog broja osoba koje su
se kockale možemo pravi procenat u populaciji locirati u rasponu od 0 do 0,474, dakle od 0
do 474 osoba. H o ia bene, stvami procenat od 0,007% se nalazi u ovom opsegu, ali inteival

50 D istribucija uzoraka frckvcncija (u koloni j ) u tabeli 19 se u statistici naziva

b inom nom distribucijom , koja je kađa je uzorak m ali, a verovatoća pojave m ala, nagnuta na
je d n u s tra n u , a p rib liž a v a sen o rm aln o j k a d a s u u z o rc i veliki i k a d a je vero v atn o ća(frek v en -
cija) p o jav e srednja.
 poverenja je toliko veliki da obuhvala i nulu, što ukazuje na to da se ne možemo osloniti na
naš nalaz.
Biće mnogo lakše ako imamo neko očekivanje procenta osoba koje su osiromašile
zbog kocke u populaciji. Pretpostavimo da očekujemo da je proporcija jednaka 0,0007.
Onda možemo postaviti nultu hipotezu da se neka dobijena proporcija ne razlikuje od stvar-
ne proporcije, osim zbog slučajnih greški. Na osnovu te nulte hipoteze, kao što je rečeno,
može se izračunati testni statistik, koji je u ovom slučaju obični z-statistik jer podrazu-
mevamo da je distribucija uzoraka proporcija približno normalna. Dakle:

f,-n p 2 - 1000*0,0007
z=— = ~7= ' ' " = 0.^43 181]
V l 000 *0,0007 *0,9993

gde je f„ dobijena (opservirana) frekvencija, p je očekivana proporcija u populaciji, a q=1-p.

Izračunati statistik se nalazi unutar raspona od -1,96 i 1,96, te kažemo da je verovatnoča
pojavljivanja takvog i večeg z-statistika vrlo visoka (p=0,52). Zbog toga, zadržavamo nultu
hipotezu. Dakle, dobijene dve osobe u uzorku jesu više nego što se očekivalo, ali je ta
razlika samo zbog jo š e sreće". Statistika nam dozvoljava da prihvatimo da se broj od dve
nadene osobe ne razlikuje od broja stvarno postojećih osoba u populaciji, jer iako ih je
nađeno više nego što bi trebalo, to je još uvek u okviru slučajnih odstupanja. To je zaključak
koji je analogan onome koji smo doneli na osnovu intervala poverenja; da se pravi procenat
nalazi unutar intervala. Međutim, već tri osobe u uzorku bi dale z-statistik od 2,75, koji je
visoko značajan, pa bismo taj nalaz odbacili kao prevelik.
Dakle, kad imamo očekivanja o vrednosti u populaciji (parametru), onda je posao lak-
ši i možemo postaviti nultu hipotezu o nerazlikovanju dobijene I očekivane frekvencije. Ako
nemamo nikakvo očekivanje o parametru, onda nam ostaju dve mogućnosti. Prva je da
izračunamo standardnu grešku i formiramo interval poverenja na nekom nivou značajnosti.
Statistika nam garantuje da če, ako smo uzorak birali slučajno, prava vrednost populacije
biti unutar tog raspona za taj nivo značajnosti. Dmga mogućnost koja se u statistici koristi je
da proverimo da II se naš nalaz značajno razlikuje od nule. U ovom konkretnom primeru,
takva nulta hipoteza je besmislena, jer ako smo u uzorku našli dve osobe koje su se kocka-
le, sigurni samo bar u njihovo postojanje i pretpostavka da takve osobe u populaciji ne po-
stoje je empirijski odbačena. Medutim, u drugim konteksima, kao što je utvrđivanje odnosa
medu pojavama, korisno je da se može proveriti da II je dobijena korelacija lažna ili stvarna.

1. Kako odrediti potrebnu veiičinu uzori<a

Sve što je rečeno na prethodnima stranama možc da posluži istraživaču kao

okvir za razmišljanjc o potrebnoj veličini uzorka. Ukratko, nema rccepta za odre-
đivanje veličine uzorka, ali postoje smeniice. Zamislimo da se istražuje ncka
retka pojava kao što su samoubistva, tačnije pokušaji samoubistva (tentamen sui-
cidi). Istraživač može da stupi u vezu sa policijom ili zdravstvenim ustanovama
da mu prijavljuju takve slučajeve. Prikupljao bi jedinice posmatranja dok mu ne
bi istekli vremenski resursi, tj. dok mu ne isteknu rokovi predviđeni za istraživa-
nje. U „uzorku” bi imao onoliko osoba koliko ili je pokušalo samoubistvo u tom
periodu (i, naravno, koje su pristale na saradnju) i time bi priča o proračunu
veličine uzorka bila završena.
 O dređivanje na osnovu p-nivoa - Postoje više pristupa određivanju veli-
čine uzorka. Prvi pristup možemo, sasvim uslovno, nazvati tehnikom P-nivoa
(grešaka II tipa). Ovaj pristup ima u vidu pi-venstveno veličinu efekta (v.) i moć
statističkog testa (v.). Naime, savremeno gledište je da o veličini uzorka pre treba
razmišljati u vezi utvrđivanja „prave” veličine efekta, nego u vezi sudbine/) vre-
dnosti testova nulte hipoteze. A što se tiče nalaženja prave vehčine efekta, uzorak
je dovoljno veliki ako je obuhvatio sav raspon zavisne varijable. To znači da,
gledano logički, potrebna veličina uzorka zavisi od varijabilnosti pojave koja se
meri.
Ako se obavi analiza moći statističkog testa (v. poglavlje o testiranju hipo-
teza), što obično znači da se konsultuju odgovarajuće tabele, može se videti da za
neke „prosečne” zahteve nisu potrebni veliki uzorci. Medutim, isto tako, može se
videti da je za otkrivanje malog efekta potrebno 15 puta više ispitanika nego za
otkrivanje velikog (u smislu Cohenove podele veličine efekta, v.),
Recimo, ako želimo da nam značajnost zaključaka bude na nivou a=0,05
(dvostrano), moć testa (l~p)=0,80 i veličina efekta d=G,5 svaka grupa mora biti
velika oko 65 objekata. Ako ima više grupa, one mogu biti čak i manje, sve do 35
objekata.
U multivarijatnoj analizi eirkuliše „pravilo” da odnos broja varijabli prema
broju ispitanika mora biti 1:5, a Tucker smatra da ne sme biti manje od 1:3. Ovog
pravila se treba držati u faktorskoj, kanoničkoj i dmgim sličnim analizama, a kada
se primenjuju višestruka analiza varijanse (MANOVA) ili višestruka diskrimina-
ciona analiza odnos mora važiti u svakoj grupi. Poznato je da se u analizi kontin-
gencionih tabela, ako se asocijacija procenjuje pomoću hi-kvadrat testa, zahteva
da nijedna kućica nema očekivanu vrednosti ispod neke granice (najmanje 1, ali
ima i strožijih zahteva).
Cozby (2003) daje kratku tabelu za odredivanje veličine uzorka potrebne da
bi neki odredeni r-koeficijent bio značajan na nivou 0,05 (dvosmemo). S obzirom
na laku konverziju veličina efekta d, t u r i obratno (v. meta-analizu), tabela je
univerzalna.

Tabela 20. - Veličina uzorka potrebna da se detektuje

Veličina efekta r Moć = 0,80 Moć=0,90

0,10 786 1052
0,20 200 266
0,30 88 116
0,40 52 68
0,50 28 36

Tabela se inteipretira na sledeći način. Ako je stvarna korelacijaupopulaci-

ji 0,30, onda da bismo je otkrili na nivou a=0,05 i p=0,20 moramo imati uzorak
od najmanje 88 objekata. Uzorci koji su manji od toga nam najverovatnije neće
dati značajan nalaz, tj. nećemo biti sigumi da smo dobili populacijsku veličinu
efekta.
O dređivanje na osnovu a-n iv o a - Klasičan pristup određivanju veličine
uzorka nazvaćemo tehnikom a-nivoa iii tehnikom intervala poverenja. Iz formula
iz prethodnih poglavlja se vidi da je moguće odrediti potrebni n na osnovu
intervala poverenja koji želimo na postignemo. To se može postići čak prostim
algebarskim sredivanjem tih formula. U tom shičaju imah bismo dve nepoznate:
proporcijup i veUčinu standardne greške Op, ih testni statistikz.
Treba ski'enuti pažnju da su proračuni koje ovde navodimo, i koji su deo
standardnog repeitoara udžbenika i softvera, namenjeni zajednu varijablu, jednu
proporciju ili jedau aritmetičku sredinu; na primer, ako želimo da prognoziramo
rezultate predsedničkih izbora i to sa samo dva kandidata. Ako imamo više kandi-
data, zatim ako se istovremeno održavaju i parlamentarni i lokalni izbori, a
pogotovo ako u upitniku imamo i niz dnigih pitanja koja se odnose na medije,
poverenje u institucije i si., onda ovakvi proračuni ne mogu biti potpuni i tačni.
Osim toga, u takve kalkulacije moramo da unesemo proporciju za koju želimo da
ima status nuhe hipoteze, što znači da moramo da imamo neko predznanje o
pojavi (računarski programi minimahio zahtevaju da se unesu dva podatka - nuha
(i aheraativna) proporcija i nivo značajnosti).
Najjednostavnija formula za izračunanje potrebne vehčine uzorka se može
direktno izvesti iz formula za standardnu grešku i interval poverenja, samo reša-
vanjem po n, veličini uzorka. Dakle, potrebna veUčina uzorka za odabrani nivo
značajnosti, za proporciju pojavljivanja neke pojave u populaciji, p i za interval
poverenja od 2c je:

«= [82]

gde jez^ kritična vrednostz-statistika za prihvatanje/odbacivanje nulte hipoteze u

normahioj distribuciji (npr. za nivo značajnosti 0,05, z= l,9 6 , a za nivo
značajnosti 0,01, z^=2,58), a c polovina širine intervala poverenja. Ako želimo da
se naša proporcija nalazi u okviru ±0,03, ondaje c=0,03, a dužina intervala pove-
renja jednaka je 0,06 (ili 6%). Ova jednostavna foiTnula je bazirana na normalnoj
distribuciji uzoraka (što se vidi iz parametra z j , ah i na pretpostavci da je
populacija mnogo veća od uzorka. Postoji još jednajednostavnija fomiula, bazira-
na na binomnoj raspodeli, pogodna za ocenjivanje značajnosti „da-ne” odgovora:
«= l/greškal Na primer, ako želimo da nam greška u predviđanju nekog procenta
ili proporcije bude u rasponu ±5%, biće nam potreban uzorak veličine: n=
1/0,05- = 1/0,0025 = 400.
Gomja formula za odredivanje veličine uzorka je namenjena binaraim vari-
jablama. Ako znamo da je izraz jednak varijansi binarne varijable, onda se
fomiula lako može uopštiti na kontinuirane varijable, uvrštavanjem varijanse, a^,
u jednačinu (umestopq). U tom slučaju će c biti prihvatljiva razlika dobijene arit-
metičke sredine i aritmetičke sredine u populaciji.
 Pomenuti uslov, da popuacija bude znatno veća od uzorka, u praksi pred-
stavlja razliku između konačnih i beskonačnih populacija i uzorkovanja sa i bez
vraćanja. Naime, beskonačna populacija je ekvivalentna konačnoj populaciji u
kojoj je biranje vršeno sa vraćanjem. Isto tako, konačna populacija iz koje su
članovi uzorkovani sa vraćanjem može se tretirati kao praktično beskonačna ako
je mnogo veća od uzorka. Dakle, goraja formula, koja je dovoljna kada je
populacija mnogo veća od uzorka, u statističkom smislu je fonmila namenjena
beskonačnim populacijama, ili konačnim populacijama iz kojih je uzorkovano sa
vraćanjem. Međutim, ako populacija nije nmogo veća od uzorka, onda se mora
uvesti korektiv, pa će nova korigovana vehčina uzorka, biti:

[83]

N
gde je II veličina uzorka dobijena prethodnom fonmilom. Vidi se da što je n manji
od N, to je vrednost imenitelja bhža jedinici, a bUži n. Može se slobodno
preporučiti da se uvek koristi kompletna formula, odnosno da se pr\'0 izračuna n,
a zatim i n^
O dređivanje na osnovu testa - Osim dva navedcna pristupa, veHčina
uzorka se može odrcditi i pomoću testa. Na primer, ako u istraživanju želimo
da testiramo povezanost između obrazovanja i stranačkog opredeljenja za jednu
stranku, onda ćemo napraviti zamišljenu tabelu kontingencije izmedu obrazovanja
i podrške. Prvo ćemo popuniti marginalne frekvencije redova (totale) sa demo-
grafskom procenoni zastupljenosti pojedinih nivoa obrazovanja, a marginalne
frekvencije kolona sa procenom stranačke podrške (broj za - broj protiv). Onda
ćemo na osnovu toga izračunati očekivane frekvencije u kućicama po uobičajenoj
formuli.
Nakon toga, popunićemo „dobijene” frekvencije (koje se onda obično
nazivaju modeliranim frekvencijama) koje odražavaju npr. 10% više podrške kod
niže obrazovanih, 3% manje podrške kod srednje obrazovanih i 7% manje podr-
ške kod visoko obrazovanih (ako smo nivoe obrazovanja podelili na ta tri nivoa).
Na tako dobijenoj tabeli kontingencije možemo primeniti fonmilu za
testni statistik, ali tako da nam on bude zadat. Iz tablica za npr. nivo značajnosti
0,05 i za broj stepeni slobode hss=2 dobićemo da je %'=5,991. U tom slučaju, u
formuli za ostaje jedina nepoznata n, veličina uzorka, i lako možemo formulu
preurediti tako da izračunamo upravo veličinu uzorka. Dobijena veličina uzorka
je, onda, dovoljna da bi se testirala 10% -3% -7% hipoteza o nejednakoj distribu-
ciji stranačke podrške u obrazovnim stratumima.
O drcđivanje ponioću M onte K arlo m etode.- Potpuno drugačiji pristup
određivanju veličine uzorka se naziva statističkim (jer su sve gornje fomuile bazi-
rane na teoriji verovatnoće, odnosno matematici) i bazira se na empirijskom ili
kvazi-empirijskom formiranju distribucije uzorkovanja. Na primer, u poglavlju o
sistematskom slučajnom biranju sa jednakim verovatnoćama se spominje i siste-
matsko biranje sa višestrakini uzorcima. Dakle, mi naš ukupan uzorak veličine n
 možemo izdeliti na više manjih (recimo 4, 10, 20 ili više poduzoraka), koje ćemo
izvući potpuno istom metodologijom ali koristeći drugu frakciju biranja, odnosno
drugi korak,
Iz tih poduzoraka onda možemo neposredno izračunati standardnu devijaci-
ju neke proporcije, neke aritmetičke sredine, nekog regresionog koeficijenta ili
koeficijenta korelacije. Odnosno, raspodelu tog statistika kroz te poduzorke
možemo tretirati kao distribuciju uzorkovanja pa će dobijena standardna devijaci-
ja zapravo biti standardna greška. Ovakav pristup se nazivaponovljenim uzorko-
vanjem (engl. rephcated sampling).
Ova metodologija je danas vrlo razvijena i to prvenstveno u smishi simula-
cije uzorkovanja. Ne izvlači se stvamo veći broj manjih poduzoraka (replikacija),
nego se ti poduzorci simuhraju putem računara. To se obavlja tako što se pomoću
računara iz dobijenog uzorka izvlače poduzorci neke zadate vehčine (obično n~\)
i izračunava potrebni statistik. Potpuno analognu metodologiju smo iskoristih u
ovom tekstu za formiranje tabele 19. Dobijena vrednost statistika se pamti kao
posebna varijabla i na kr'aju se izračuna njena prosečna vrednost i standardna
devijacija. Prosečna vrednost je ocena parametara populacije, a standardna
devijacija standardna greška tog statistika. Obično se ovaj način izračunavanja
ocene parametra i standardne greške naziva resamplingom, a ponekad i Monte
Karlo metodom. Zahvaljujući brzini današnjih (personalnih) računara, ovaj metod
je sve popularniji i potiskuje proste formule bazirane na teoriji verovatnoće.
Prcciznost uzorka. - Ovaj pojam se često sreće u literaturi (eng. precision)
i može se operacionalno definisati veličinom intervala poverenja - što je interval
uži, preciznost uzorka je veća. Važno je znati da preciznost zavisi od veličine
uzorka, od metode biranje uzorka i od grešaka (pristrasnosti) tokom sprovođcnja
uzorkovanja. Greške i pristrasnosti tokom intervjuisanja, tzv. anketarske greške.
greške posmatrača i dmge slične greške koje uobičajeno nazivamo greškama
merenja ne iitiču na preciznost uzorka. Ponekad se u literaturi nalazi da te greške
utiču na tačnost uzorka, ali to nije opravdan naziv i eventualno se može govoriti o
tačnosti (]Douzdanosti) podataka, a ne o tačnosti uzorka.
Uz određivanje intervala poverenja c treba reći nekoliko reči. Naime, vrlo popularni
interval poverenja od 2c=6 (u procentima) ima smisla kad je proporcija pojavljivanja veća od
0,03. U primeru sa predsedničkim kandidaton:i smisiena je prognoza izbora koja se kreće u
okviru ±3%. Za malu političku stranku inteival od ±3% već ne znači mnogo, jer ne daje
pouzdan odgovor da II će stranka uopšte ući u parlament ili ne. Naime, ako je cenzus za
ulazak u parlament 3%, onda sa ovom preciznošću prognoze stranka može da računa i sa
nula glasova.
Još je veći problem sa starijim siromašnim muškarcima koji su osiromašili zbog
kocke, kojih u populaciji starijih siromašnih muškaraca ima 0,07%, odnosno n=70. Koju
preciznost bismo tu želeli? Videli smo u ranijem primeru da ako u uzorku od n=1000
dobijemo dve takve osobe, da će interval poverenja broja osoba u populaciji biti 0 ^ 7 4 . To
je vrlo neprecizno. Šta bi tu bio interval koji je analogan ,±3%"? Ako bismo, na primer, hteli
preciznost od ±70 osoba (što zapravo nije prihvatljivo, jer bi onda u interval ušla i moguć-
nost da nema takvih osoba), onda bi nam polovina intervala poverenja bila c=0,0007, a
uzorak bi morao bili veličine n=6300.
 Danas se obično za proračun veličine uzorka koriste računarski programi
koji su specijalizovani za taj proračun, a slične funkcije postoje i u koinercijalnim
statističkim paketima. Na Intemetu se mogu naći web stranice sa kalkulatorima za
izračunavanje veličine uzorka. Na osnovu onoga što je rečeno na prethodnim stra-
nama može se zaključiti da potrebna veličina uzorka zavisi od sledećih elemenata.
• Što veću moć statističkog testa i viši nivo značajnosti žehmo, to uzo-
rak mora biti veći.
• Ako koristimo kontrolne varijable, odnosno ako želimo da uzorak de-
Hmo na poduzorke po nekom kriterijumu, uzorak mora biti veći. Na pri-
mer, kada nas zanima da ii preferencije nekog proizvoda zavise od pola i
starosti, svaka poina i starosna grupa mora biti dovoljno velika.
• Sto su poduzorci koji nastaju „delovanjem” kontrolnih varijabli broj-
niji, uzorak mora biti veći. Posebno sc mora obratiti pažnja na vehčinu
najmanjeg poduzorka, odnosno grupe (v. sledeće poglavlje).
• Što pojave (varijable) koje se mere imaju veći varijabilitet u populaciji,
to uzorak mora biti veći. O tome je bilo mnogo reči u prethodnim poglav-
Ijima.

2. Istraživanje cele populacije - popis

Generalno rečeno, uzorkovanje je tema od značaja samo u slučaju kada ne

možemo ili ne želimo da ispitamo celu populaciju. Kada možemo i/ili kada hoće-
mo da ispitamo celokupnu populaciju, onda nemaju smisla postupci uzorkovanja
i celokupna statistika zaključivanja. Generalizacije nam nisu potrebne, a pokaza-
telji tzv. statističke značajnosti besmisleni su. Takva istraživanja, koja obuhvataju
celokupnu populaciju, obično se nazivajupopisima (možemo se podsetiti odeljka
0 nekim problemima testiranja hipoteza i odnosa znatnosti i značajnosti).
Međutim, populacije ne moraju uvek biti velike. Recimo da nas interesuju
neki pokazatelji koji se odnose na metalska preduzeća u Srbiji i Crnoj Gori. Tih
preduzeća ima ograničen broj i verovatno neće biti potrebno da se služimo uzor-
kom nego možemo poslati anketne fonmilare direktno na adrese svih preduzeća.
Generalno rečeno, bolje je ispitati celokupnu populaciju nego se služiti
uzorkom (štih probama). Međutim, nije uvek tako. Na primer, lakše ćemo se
odlučiti za duži upitnik ukoliko ispitujemo 500 Ijudi, nego 100.000, a dužimupit-
nikommožemo ispitati pojavu detaljnije i produbljenije. Sa tih 500 Ijudi možemo
obaviti i polustrukturirani intervju, štoje sa 100.000 praktično neizvodivo. Postoji
1 pojava slična jednačini neodredenosti (iz Heissenbergove kvantne mehanike) -
merenje utiče napojavu. Naime, popise uvek prati publicitet, Ijudi postanu svesni
da će biti ispitivani, razmenjuju iskustva i javno mnjenje biva „pokrenuto”, što
znači da se pojava koja se ispituje menja (Supek, 1968).
 3. Problem malih grupa-stratum a i problem retkih
pojava

Ozbiljan problem u uzorkovanju nastaje kada nas zanimaju svojstva, kao što
su recimo stavovi, Ijudi koji su retki u populaciji. U našem primeru siromašnih
starijih muškaraca koji su izgubih sredstva za egzistenciju zbog kockanja, sasvim
je jasno da bismo morali imati uzorak takvih osoba koji je reprezentativan za
njihov stratum. Jedan ili dvojica, koiiko bismo ih mogh očekivati u slučajnom
uzorku od n=1000, ne mogu pružiti dovoljno infonnacija. Slično, ako nas
interesuju stavovi pristalica neke male političke stranke, onda nije dovoljno da u
uzorku imamo proporcionalan broj takvih osoba (recimo 3%).
Ta situacija se može posmatrati tako da odvojene analize pođataka moramo da
radimo na poduzorcima koje čine pojedini stratumi od interesa. U tom slučaju je jasno da
svaki stratum mora biti predstavljen reprezentativnim uzorkom - kako po načinu biranja,
iako i po veličini. Statističari po pravilu smatraju da svaki poduzorak/stratum/gnjpa mora biti
velik najmanje 100. Danas postoje statističke tehnike, tzv. egzaktni testovi (koji se danas
izvode metodom resamplinga), koji se mogu primenjivati i kada su poduzorci znatno manji.
To ne znači da su mali poduzorci postali reprezentativni, nego da če egzaktni testovi tačno
oceniti značajnost dobijenih statistika (recimo x^).

Ako želimo da imamo reprezentativan uzorak siromašnih starijih muškaraca

koji su osiromašili zbog kocke, ili pristalica male poHtičke stranke, onda imamo
dve mogućnosti: a) da ukupan uzorak bude i dalje slučajan (dakle, sa jednakim
verovatnoćama biranja), ah toliko vehki da i mah straiumi uđu sa dovoljnim bro-
jem predstavnika, ili b) da pripadnicima tih stratuma damo veću šansu biranja, tj.
da ih namerno biramo više nego što ih ima u populaciji.
Prva mogućnost ima apsohitnu prednost u teorijskom i statističkom smislu,
ali se zbogu skupoće najčešće koristi druga mogućnost; u uzorak se namerno
uzima više predstavnika dotičnog stratuma. U pogledu generaHzacija koje se vrše
na nivou stratuma, problem je time potpuno rešen. Medutim, generahzacije na
nivou čitave populacije se ne mogu vršiti na osnovu takvog uzorka jer su pripad-
nici tog stratuma pre-zastupljeni. Na primer, kad se rade nacionalna istraživanja,
da bi se mogli donositi relevantni zaključci o prihkama u Cmoj Gori moraju se
stanovnici Crne Gore „nadreprezentovati”. Na republičkim poduzorcima se
obrada podataka vrši uobičajeno, ah za ukupnu populaciju uzorak neće biti
reprezentativan.
Ovaj problem se rešava ponderisanjem, koje će biti objašnjeno u poglavlju
o stratifikovanim uzorcima, i na taj način se simulira (ponovo uspostavlja)
jednaka verovatnoća biranja. Ukratko, Cmogorci se množe nekim koeficijentom
manjim od 1, tako da se poništi nadreprezeniovanje (recimo, ako je u uzorak
uzeto 500 Cmogoraca i 1000 Srbijanaca, ponder će biti oko 0,1).
Mi znamo brojčani odnos stanovništva u Srbiji i Cmoj Gori, pa je ponder
lako izračunati. Medutim, ne znamo koje osobe su se kockale, ili ko su Ijudi koji
podržavaju spomenutu malu političku stranku. Zato ne možemo namerno da ih
izaberemo više, jer će tek isiraživanje otkriti koliko ih ima i ko su. Namerno
„oveiTeprezentovanje” je pogodno i lako izvodljivo kada se radi o osobinama
koje su direktno dostiipne iz spiska populacije, npr.: pol, starost, obrazovanje,
rasa, mesto stanovanja itd. Kada se radi o političkim uverenjima, osobinama
ličnosti ili interesovanjima, one se ne mogii naći u spiskovima. Postoje i dalje
mogućnosti da se pristalice neke političke stranke posebno traže preko spiska
članova, ili da se pristalice stranke pronadu na nekom prvom političkom skupu
koga ta stranka organizuje, ili da se tokom prvog kontakta sa ispitanicima utvrdi
njihova pripadnost, odnosno ncpripadnost stratumu.

4. Reprezentativnost, veličina uzorka i korelacija između

pojava

Postoji velika verovatnoća da će istraživači za one pojave za koje misle da

su složene, nedovoljno poznate ili da su određene mnogim faktorima intuitivno
verovati da se mogu istraživati samo pomoću velikih uzoraka. Medutim, uočeno
je da nekada i za vrlo kompleksna Ijudska ponašanja i kompleksne društvene
pojave, za koje se na prvi pogled čini da su potrebni vrlo veliki uzorci, oni nisu
stvarno potrebni da bi nalazi biH reprezentativni (generaHzabilni). To se prven-
stveno odnosi za istraživanja odnosa i povezanosti medu pojavama.
Dosadašnji razvoj mnogih društvenih nauka je, naime, pokazao da ako
izmedu nekih pojava postoji reahia i stabihia veza, onda jc za utvrdivanje te veze
dovoljno ispitati inale grupe Ijudi (iH drugih entiteta). Na primcr, ponekad se
može pročitati da i društvcne nauke raspolažu zakonima koji su sHčni fizičkim. U
ckonomiji je poznat zakon odnosa ponude i potražnje, a u psihologiji odnos fru-
stracijc i agresije. Kad god su pojave iz oblasti društvenih nauka dobro istražene,
a to skoro uvek znači da su istražene i veze tih pojava sa drugim pojavama, onda
se dokazi za postojanje tih vcza nalaze lako i na maHm uzorcima.
Rccimo, zajednu od najbolje dokumentovanih psihičkih osobina, dimenziju
ekstraverzije - introverzije, poznate su brojne relacije se neuroheniijskim,
genetičkim i uopšte biološkim karakteristikama, kao i relacije izmcdu razHčitih
obHka Ijudskog ponašanja pomoću kojih se ta dimenzija meri, Na osnovu svega
toga se zna da ta dimenzija diktira vcze između npr. društvcnosti, aktivitcta,
„gladi za uzbudenjima” i metaboHzma neurotransmitera dopamina i da se te vcze
mogu uočiti vcć na maHm prigodnim uzorcima.
U vrlo suptihioj i osctljivoj oblasti socijalnih odnosa, Solomon Asch je 50-
tih godina prošlog vcka nizom eksperimcnata ,,u živo” demonstrirao kako grupno
mišljenje utiče na mišljenje pojedinca o dužini Hnija (str. 205). Ovu povezanost
stava grupe i Hčnog mišljenja je vrlo kiko pokazati i teško da je potrebno više od
10 Ijudi da bi se ustanovilo njeno postojanje. SHčan jc i fcnomcn lakog uživljava-
nja u društvenc uloge koji je demonstrirao Philip Zimbardo u svom čuvenom
istraživanju (str. 233). Za manifestaciju ove pojave takode nisu potrebni veliki
uzorci, kao ni za bilo koju dnigu sHčnu pojavu iz domena socijalnc psihologije.
 lako su za dokazivanje povezanosti takvih pojava dovoljni mali uzorci, ipak postoje
izvesna ograničenja u pogledu veličine uzori<a. Pošlo se radi o vezama izmedu pojava, a
one se mere koeficijentima korelacije, treba se podsetiti da visinu koeficijenta korelacije
ograničava varijabilnost pojava (restrikcija opsega, kako se naziva u psihometriji). Tačnije
rečeno, ako pojave koje smo izmerili imaju suženi opseg (eng. range restriction), onda
korelacija neće dostići vrednost koju bi imala da smo obuhvatili celokupan opseg pojava.
Suženi opseg se javlja uvek kada Imamo selekcionirane uzorke. Ako se istraživač
opredelio za namerni uzorak, sva je prilika da će to biti studenti, ili samo mlade osobe, ili
samo obrazovane osobe, ili samo dobrovoljci, ili sve to kombinovano. U većini slučajeva se
dešava da pojava koja se meri u takvom uzorku nema puni varijabilitet koji ima u populaciji.
Zbog toga se može desiti da dobijemo manje koeficijente korelacije izmedu nje i drugih
pojava (koje takode mogu imati suženi opseg). Zbog toga ni u izučavanju dobro poznatih
pojava, sa dobro poznatim medusobnim vezama, ne treba preterivati sa malim uzorcima,
nego se treba držati pravila da uzorak bude „dovoljno šarolik”.

5. „Dobrovoljačka greška"

U skladu sa Kavremenim etičkim principima empirijskih istraživanja pona-

■šanja, većina ispitanika biva angažovana na osnovu izvesnog stepena dobrovolj-
nosti. To je tačno čak i u anketama sa slučajnini uzorkom, u kojima anketar dolazi
lično da poseti odrcdenog ispitanika na odredenoj adresi.
Medutim, greška o kojoj jc ovdc reč se najvišc odnosi na „punc dobrovolj-
ce”, odnosno na uzorak ispitanika koji se sami biraju tako što sc javc na oglas iii
što dignu ruku u učionici. Izvršcna su brojna istraživanja i prikupljena zapažanja
o ličnosti „tipičnog dobrovoljea”. Navešćemo devet izdvojenih osobina, poređa-
nih tako da jc prva ona koja sc najredovnijc uočava. a poslednja ona koja sc naj-
redc uočava (Rosnow i Rosenthai, 2005).
1. Višc obrazovanje. Dobrovoljci tcže da budu bolje obrazovani od ostaiih,
posebno u studijama u kojima nije potreban lični kontakt istraživača i ispi-
tanika.
2. Viša društvena klasa. Dobrovoijci pripadaju višoj društvcnoj klasi od
ncdobrovoljaea, aii samo u poglcdu njihovog ličnog sratusa, a ne i njihovih
rodilelja.
3. Viši 10. Ljudi koji učestvuju u „neobičnim” istraživanjima (hipnoza, sen-
zorna deprivacija, seksuahio ponašanje, male grupe i istraživanje ličnosti)
tipično imaju viši 1Q od nedobrovoijaca.
4. Veća potreba za socijalnim dokazivanjem.
5. Veća socijabilnost.
6. l'cćapotreba za avimtwom. Dobrovoljci pokazuju višu potrebu za uzbude-
njem (cngl. arousal-sceking), posebno u studijama o strcsu, senzornoj izo-
laciji i hipnozi.
7. Veća nekonvencionalnost. Poscbno nekonvencionalni dobrovoljci su uočeni
u istraživanjima seksuahiog ponašanja.
8. Češče su žene. Zene su generalno spremnije da budu dobrovoljci, osim u
istraživanjima u kojima postoji fizički ili emocionalni stres (električni šoko-
vi, visoka temperatura, senzoma deprivacija i intervjui o seksualnom pona-
šanju).
9. Niža autoritarnost. Dobrovoljci teže da budu inanje autoritarni, što implici-
ra da razmišljaju manje rigidno i više vrcdnuju lične slobode.
U zavisnosti od vrste i ciljeva istraživanja, nabrojane osobine dobrovoljaca
mogu manje ili više da utiču na rezultate i tu pristrasnost koja postoji u uzorku
dobrovoljaca nazvali smo „dobrovoljačkom greškom”. Čitalac može sam razmi-
šljati kada i koliko će neka od nabrojanih osobina delovati. U jednoj kasnijoj
diskusiji o poređenju kvotnih i probabilističkih uzoraka biće pomenuta ova tema.

E. Slučajni ili probabilistički uzorci

U dosadašnjem tumačenju problema uzorkovanja shižili smo se prostim ski-

čajnim biranjem kao elementamim metodom uzorkovanja. Prosto slučajno biranje
je, takođe, osnovna metoda uzorkovanja koja se podrazumeva u statističkim
metodama, pokazateljima koji se odnose na uzorke i populacije, standardnim
udžbenicima i, što je važnije, standardnim statističkim paketima.
Danas se pod shičajnim biranjem podrazumeva širi kmg varijanti prostog
slučajnog biranja. Zajedničko za svih njih je spomenuti spisak jedinica uzorkova-
nja koji omogućava jednu značajnu stvar; da .svepobrojane jedinice uzorkovanja
mogu ući u uzorak i da se može izračunati verovatnoća njihovog izbora. Zbog
toga se sve te metode nazivaju slučajnim ili probabilističkim uzorkovanjem (engl.
random sampling).

1. Spisak populacije

Ključno svojstvo svih metoda slučajnog uzorkovanja je da mora postojati

spisak članova populacije. Nekada se to naziva okvirom uzorkovanja (eng. samp-
ling frame). Spiskovi mogu biti veoma različiti i često sc pitanje kvalitcta uzorko-
vanja svodi na pitanje nabavljanja ili sastavljanja dobrog spiska populacije.
Pravilo glasi dajedinice uzorkovanja (istraživanja) koje želimo dabiram o slučaj-
no moramo imati na spisku.
Ipak, ako populacija nije velika, ili članovi nisu veliki, odnosno ako su nam svi članovi
populacije fizički dostupni na jednom mestu, spisak možda neće ni biti potreban. Recimo da
želimo da procenimo stanje knjiga u nekoj biblioteci, s obzirom na pohabanost, nedostajuće
strane, švrljanje od strane čitalaca i sl. U bibliotekama postoji kartoteka, pa bismo slučajni
uzorak mogli dobiti sistematskim biranjem „po koraku” bibliotečkih kartica. No, isto tako
bismo fizički mogli da uzimamo knjige sa polica, počevši od nekog slučajnog broja i nasta-
vljajući biranje sa nekim korakom. To je slučaj kada populacija nije mnogo vclika (zavisno
od biblioteke), kada članovi nisu veliki (po dimenzijama) i kada su svi fizički dostupni na
jednom mestu.
Ili, uzmimo primer slučajnog biranja telefonskih brojeva (random digit dialing - RDD,
V. kasnije), koje je dominantan način uzorkovanja u razvijenim zemljama. Ni ovde se pret-
platnici ne biraju iz spiska (imenika), nego direktno, biranjem brojeva iz zadatog raspona.
Ipak, kombinacija dostupnih raspona telefonskih brojeva i procedure biranja je vrlo bliska
biranju sa spiska.
Društvenim istraživačima bi, kada se bave Ijudima, bilo najzgodnije da negde postoji
centralni spisak stanovništva sa osnovnim podacima o svakom stanovniku. Nešto slično
takvom spisku postoji u Srbiji i Cmoj Gori u policiji u obliku evidencije - baze podataka
stanovništva (tzv. prijava boravka). Međutim, postoji nekoliko razloga zašto se ti spiskovi ne
koriste u istraživanjima. Kao prvo, zakonski nije predvidena takva njihova upotreba, pa nisu
dostupni istraživačima i nije poznato da su korišćeni u nekom istraživanju. Drugi problem je
što oni nisu ažurni i što je njihova upotrebljivost vrlo mala za mlađu populaciju, marginalne
slojeve i sl. Neažurnost se prvenstveno odnosi na netačne adrese, a zatim i na sve druge
aspekte podataka iz tih spiskova. Treći problem je fond podataka kojima raspolažu takvi
spiskovi, posebno ako se želi napraviti stratifikovani uzorak. Na primer, u tim spiskovima
nema podataka o obrazovanju i zaposlenju.
,Prva zamena" za te spiskove su birački spiskovi. Oni su po zakonu javnl dokumenti i
u načelu bi trebali biti dostupni za istraživačke potrebe. Oni sadrže samo elementarne iden-
tifikacione podatke kao što su prezime i Ime, matični broj gradana (koji u prvih 7 mesta
sadrži datum rođenja) i adresa birača. Iz imena i prezimena se može zaključiti pol osobe
(pol se može zaključiti i iz matičnog broja gradana - MBG), ali taj fond podataka obično nije
dovoljan za stratifikaciju uzorka koja najčešće obuhvata i obrazovanje (i zanimanje). Medu-
tim, fond podataka je manji problem u odnosu na druga dva problema koja su učinila da su
domaći istraživači izbegavali biračke spiskove. Prvi problem se odnosi na dostupnost spis-
kova, a drugi na njihovu ažurnost. Birački spiskovi se nekada nalaze u policiji, a nekada u
opštinama. U zadnjoj deceniji XX veka u SR Jugoslaviji su oba mesta istraživačima bila
manje ili više problematična za saradnju. Problem ažurnosti je vezan za problem ažurnosti
baze podataka o stanovništvu iz prethodnih pasusa. Naime, birački spiskovi se ažuriraju
podacima iz policije i eventualnim dopunama i izmenama na koje imaju pravo sami gradani.
Ažuriranje biračkih spiskova se po pravilu vrši pred same izbore, pa se iz toga može zaklju-
čiti 0 njihovoj ažurnosti u periodu izmedu izbora. Osim toga, postojale su osnovane sumnje
istraživača da su birački spiskovi biii neažurni na pristrasan način, npr. da su nedostajali
mladi birači koji te godine stiču pravo biranja. Za ovaj aspekt neažurnost bi se moglo reći da
je anegdotski, ali postoji doza opšteg značenja utoliko što sugeriše istraživačima koje su sve
greške uzorkovanja moguće, još u fazi operacionalizacije populacije.
Naravno, birački spiskovi sadrže samo punoletne osobe starije od 18 godina, što one-
mogućava njihovu upotrebu za omladinska istraživanja.
U policiji postoje baze podataka motornih vozila, vozača, vlasnika oružja, pasoša itd.
Kao i u slučaju baze podataka stanovništva, malo je verovatno da se ovi spiskovi mogu
koristiti za istraživačke potrebe.
Postoje brojni spiskovi kojc vode tzv. komunalne organizacije u svrhu naplate računa
za različite komunalne usluge. Kod nas je možda najbolji i najažurniji spisak onaj koga po-
seduju elektrodistributivna preduzeća. Mana tog spiska je što se on odnosi na vlasnike elek-
tričnog brojila (sata), što u najvećem broju slučajeva znači da se odnosi na domaćinstvo. 2a
 ona istraživanja koja za jedinicu posmatranja uzimaju upravo đomaćinstva bi ovaj spisak bio
vrlo koristan. Međutim, nije poznato da li su istraživači stvarno koristili ovaj spisak.
Ako su jedinice posmatranja domaćinstva, onda se mogu potražiti i spiskovi stam-
benog fonda, kao što su na primer oni koji služe za naplatu stanarine i drugih komunalnih
usluga. Generalno rečeno, zdrav razum nam kaže da su spiskovi koji služe naplati računa
verovatno ažurniji nego oni koji se vode iz birokratskih razloga.
Kada se istraživanja rade na školskoj omladini, onda se često u prv'oj etapi uzorkuju
škole. Spiskovi škola su šire dostupni, na nivou opština i gradova, a za centralni spisak se
može obratiti ministarstvu ili statističkim zavodima. Sličan postupak se mora sprovesti ako
se istražuje po privrednim preduzećima, zdravstvenim ustanovama, ili bilo kojim drugim
ustanovama gde u prvoj etapi biranja prvo vadimo slučajni uzorak tih ustanova.
Centralne nacionalne institucije koje su zadužene za pitanja populacije i uzorkovanja
su statistički zavodi (Savezni, Republički, Pokrajinski i Gradski). Ovi zavodi raspolažu sa
velikim brojem tabela, spiskova i klasifikacija koje mogu biti relevantne istraživačima (tabele
popisa, spiskovi naselja, spiskovi zanimanja, spiskovi škola i sl.). Sva dokumentacija je
dostupna u papirnom obliku i na CD-ROMu i može se kupiti. Na internet prezentacijama
statističkih zavoda, telefonom ili lično treba proveriti dostupnnst statističkih podataka®'.
Statistički zavodi na osnovu stručne obaveze rade povremene stručne procene kretanja
velićine populacije (po opštinama, polu itd.) koje su takode javno dostupne. Slične procene
su radile i druge institucije, kao na primer Centar za demografska istraživanja Instituta
društvenih nauka u Beogradu^.
Zavodi za statistiku raspolažu, takođe, skicama tzv. popisnih krugova (koji otprilike
odgovaraju mesnim zajednicama) u kojima su ucrtane ulice i zgrade/kuće. Takve skice
pružaju mogućnost za pravljenje odličnog probabilističkog zonskog ili klaster uzorka. Nije
poznato koliko je, u trenutku pisanja ovog teksta, ažurno stanje tih skica u odnosu na
topološko stanje iz 1991. godine. Ažuriranje skica je veliki posao koji bi se morao raditi na
terenu, ili bi se morao raditi na osnovu zemljišnih knjiga, ili i na osnovu jednog i drugog.
Raspolaganje ažurnim skicama (geografskim kartama, planovima grada) omogućava da se
stanovi ili kuće biraju direktno, u kancelariji istraživača i da se anketari šalju direktno na
dotičnu adresu.

2. Prosto slučajno biranje

Prosto slučajno biranje prcdstavlja implementaciju statističkog ideala da svi

članovi populacijc imaju jednaku šansu biranja. Tehnika prostog slučajnog bira-
nja, kako je korišćena i objašnjena na prethodnim stranama, podrazumevala je
biranjc bez vraćanja. Medutim, nije uvek sigurno koja fonmila se koristi u kom
statističkom programu; za biranje sa vraćanjem ih za biranje vez vraćanja. Razh-
kc ncće biti vehkc ukohko je populacija znalno vcća od uzorka (100 ih 1000 puta

Rcpublički zavod za statistiku Srbijc, www.statscrb.sr.gov.yu, Beograd, Milana

Rakića 5, 011/2412-922. Zavod za stati.stiku Srbije i Crnc Gorc, Kncza Miloša 20, 11000
Beograd, lel/fax. 011/36-17-362, www.szs.sv.gov.yii.
” Ccntarzadcniografskaistraž.ivanja, Institul društvcnih naiika, K raljiceN atalijc45,
(Narodnogfronta45), 11000Beograd,Tcl.; 011/3613-892,011/3616-102, www.idii.org.yu.
 veća, o toni pitanju je diskutovano u okviru prezentacije osnovnih pojmova i na
drugim mestima u ovom poglavlju). U specifičnim slučajevima, kada su populaci-
je samo malo veće od uzorka, kada su uzorci mali itd., ali i kada se istraživanje
vrlo dctaljno planira, istraživač može ručno primeniti korigovane formule sa
uzorkovanje bez vraćanja za malc populacije ili za male uzorke. Korekcijom
(usagiašavanjem) formula obično se dobiju manji intervali poverenja (preciznost
je veća, ređe sc odbacuje nulta hipoteza).
Kada su populacije sasvim male, prosto slučajno biranje se može implemen-
tirati kao „izvlačenje iz šešira”. Kod većih populacija to nije praktično pa se
mogu koristiti tzv. lutrijske mašine. Na primer, ako je veličina populacija šesto-
cifrena, trebala bi nam mašina koja ima 6 doboša na kojima su upisani brojevi 0
do 9. Za izbor svakog člana uzorka trcbalo bi zavrteti doboše i sačekati da se
zaustave. Konfiguracija brojeva koju bismo tako dobili predstavljala bi redni broj
jednog od članova populacijc. Za uzorak veličine 1000 to znači da bismo mašinu
morali zavrteti 1000 puta da bismo dobili 1000 rednih brojeva.
Tabele shičajnih b ro jcv a.- To rešenje bi zadovoljilo zahtev za jednakom
verovatnoćom biranja, ali je i dalje krajnje nepraktično za društvenog istraživača.
Mnogo je praktičnije koristiti takozvane slučajne brojeve. Slučajni brojevi su
takvi brojevi kod kojih izvlačcnje jednog broja ni na koji način ne utiče na
izvlačenje sledećeg, niti zavisi od izvlačenja prethodnog broja. Tabele slučajnih
brojeva se mogu naći u prilozima različitih udžbenika.
Generatori slučajnih brojeva su računarski programi koji koriste veoma
domišljate i složene matematičke proračune kako bi proizveli niz slučajnih
brojeva. Oni su ugradeni u današnje računarske programe (pakete) kao što su
programi za statistiku (npr. SPSS), programi za tabeliranje (eng. spreadsheet, npr.
Excel), bolji procesori teksta (npr. WordPcrfect) i sl. Pošto jc vrlo verovatno da
će naš spisak članova populacije biti ,,na elcktronskom mediju”, dakle na raču-
nani, možemo pozivanjem funkcije generatora slučajnih brojeva svakoni članu
populacije dati (pridružiti) jedan slučajni broj. Nakon toga možemo sortirati
spisak po slučajnim brojevima I odabrati u naš uzorak najnižih 1000, ili najvećih
1000 - svejedno. U infomratici se sređivanje spiskova po različitim kriterijumima
naziva sortiranjem. Sortiranje se može izvršiti po jednom ili više ključeva, a po
svakom ključu se može sortirati po rastućem ili opadajućem redosledu.
U praktićnoj primenl, prosto slučajno biranje je pokazalo Izvesne neđostatke pa su
izmišljene korekcije I dopune kako bi se tl nedostacl otklonili, a osnovna intencija zadržala
(da svl članovi populaclje imaju jednaku šansu izbcra).
Prvi nedostatak je što je pravljenje splska svlh članova populaclje vrlo nepraktično
ako su populaclje velike. Pravljenje spiskova, reclmo, celokupnog stanovništva jedne zemlje
je daleko van domašaja Istraživača. Iskustva u Srbiji kažu da je to zadatak kome su dorasla
samo razvijena I dobro organizovana društva. Medutim, ne treba Ićl na nacionalnl nivo - već
i mnogo manje regionalne celine III stratuml stanovništva mogu predstavljatl ozblljan pro-
blem u pogledu pravljenja ili nalaženja splskova.
Taj problem nije vezan samo za Ijude kao jedinice uzorkovanja. Sllčno će se dogoditi
i ako hoćemo da anallzlramo sadržaj svih članaka objavljenih tokom jedne godine u novi-
nama jednog grada I sl. Naravno, nepostojanje, III nemogućnost pravljenja splska populad-
 je, ili nepouzdanost takvog spisl<a, onemogućava primenu siučajnog biranja. Rekli smo,
naime, da je postojanje takvog spiska osnovna karakteristika slučajnog biranja.

Da bi se rešio tehnički problem slučajnog izvlačenja, jcr su kutije sa listići-

ma, lutrijske mašine, dodeljivanje slučajnih brojeva i sl. ipak nepraktične za veli-
ke populacije i velike uzorke, može se koristiti neka od modifikacija prostog
slučajnog biranja. Jedna od njih je tzv. sistematsko biranje sa jednakim vero-
vatnoćama.

3. Sistematsko biranje sa jednakim verovatnoćama

Pretpostavimo da je spisak siromašnih starijih muškaraea sortiran abecedno

(azbučno) po prezimenu. Na osnovu intervala uzorkovanja (koraka, k) znamo da
nam treba svaka 100-ta osoba. Na osnovu toga možemo uzimati u uzorak prosto
osobe sa rednim brojem 1, 1+^'= 101, 1+2A: = 201, 1+3/:= 301 itd. Obično se, sa
ciljem da se izbegnu efekti poretka osoba na spisku, ne počinje od rednog broja 1,
nego se slučajno odabere jedan broj manji od Akao počctak niza. Taj počctni broj
se može dobiti prosto izvlačenjem papirića, ili više sofisticirano tako da se uzme
(generiše) jedan slučajni broj izmedu 0 i 1, pomnoži sa korakom, tj. intervalom
uzorkovanja i rezultat zaokruži naniže. Za ovo biranje se kaže da se sa spiska
biraju osobe od slučajno odabranog početka, sa korakom k, pa se nekada čitava
metoda naziva biranjcm po koraku.
Koja je ključna prctpostavka ovog postupka? Ima ih, naravno, više. Kao
prvo, podrazumcva se da postoji spisak populacije. Spisak populacije predstavlja
dostupnu populaciju i ako je tokom njene operacionalizacijc došlo do nekih
grešaka kasnije ih nije nioguće otkloniti nikakvim postupkom. Ako pretpostavimo
da je spisak populacije dobar, sada nas zanima samo da ostvarimo jcdnaku vero-
vatnoću biranja članova uzorka. Pretpostavka koja mora biti zadovoljena da bi
slučajno biranje izvršili „izborom po metodi koraka” je da redosled osoba na
spisku ne bude diktiran nikakvim „poznatim razlogom”. Kod nas se smatra da je
abeccdno sortirani spisak prezimena upravo lakav spisak - bez ikakvog smislenog
razloga koji utiče na poredak. Zbilja, u našoj kulturi ne izgleda da postoji ikakva
korelacija izmedu prezimena i bilo kakvih osobina pojedinaca. To nc mora biti
tačno za neku drugu kultum ili za neku mešavinu rasa, ali se obično smatra da je
abeeedno-azbučno razvrstavanje po prezimenima analogno dodeljivanju slučaj-
nih brojeva koje smo opisali u prethodnim pasusima. Kad kažemo „poznati
razlog” ili „smisleni razlog” mislimo na neki faktor koji je uticao na razvrstavanje
članova populacije u spisku, a koji jc povezan sa pojavom (pojavama) koje
istražujcmo.
Ako su spiskovi, osim po prezimenima sortirani po više sortnih pojmova, ili
prezime nije najviši sortni pojam, onda može doći do pristrasnosti. Do pristras-
nosti dolazi ako je redosled članova na ncki način povezan sa pojavom koja se
ispituje. N a primer, do takve situacije može doći ako se spisak stanovnika pravi
po domaćinstvima, a unutar domaćinstava po starosti članova. To može dovesti
do toga da sc naš korak poklopi sa periodičnošću ponavljanja starosti i da nam u
uzorak iiđe više Ijudi sa nekiin godinama, a manjc sa nekim drugim,
Mcđutini, sredenost spiskova po raznim kijučevima ne mora uvck biti
negativna. Na primer, ako su spiskovi sređeni prvo po mesnim zajednicama, pa
zatim po prezimcnima, onda dobijamo nešto što je slično zonskombiranju. lli ako
su na spisku ppv'o muškarci, pa onda žene, onda će sistematsko biranje sa
jednakim verovatnoćama dati stratifikovani uzorak.
Sistcm alsko b iran jc sa višestriikini uzorcinia. - Ako sumnjamo da bi u
spisku populacije mogle postojati pcriodičnosti, ili ne možcmo da odbaeimo
potpuno tu mogućnost, onda se može primeniti modifikovani postupak biranja po
koraku. Može sc, naimc, izvući m manjih uzoraka tako da se za svaki odabcre
poseban siučajni početak, a korak sc pomnoži sa m. Jcdna usputna prcdnost ovih
višcstrukih uzoraka je što se pomoću njih može bolje occnjivati parametar popu-
lacijc koji nas interesuje, npr. aritmetička sredina. Naimc, prosek proseka ovih
uzoraka jc bolja procena vrcdnosti populacije, ncgo jedna aritmetička srcdina iz
vcćcg uzorka.
Nešto slično ovoj modifikaciji sc možc postići ako se slučajno odredi poče-
tak uzorkovanja, ali se korak pomnoži sa nckim cciim brojcm m. Kada se u
biranju dođc do kraja spiska, brojanje se vraća na početak spiska, bcz prckidanja.
U svakom novom prolazu kroz spisak se izabrani članovi populaeije razvrstavaju
u zaseban poduzorak.

4. Stratifikovano slučajno biranje

Ova metoda uzorkovanja se naziva i proporcionalno biranje ili kvotno

siučajno biranjc. Već smo spominjali mogućnost da spisak (spiskovi) populacije
bude stratifikovan po jednom ili više kriterijuma. Rečcno jezikoin sortiranja,
spisak učenika neke škole možc se srediti po sledećim ključcvima: razredu, polu
i prezimcnu. Ako imamo takav sortiran spisak, onda možemo dcfinisati veličinu
svakog stratuma (razred i pol) i na osnovu toga fomiirati posebnu proporeiju
uzorkovanja i korak (/'i k) za svaki stratum. Na osnovu zasebnih koraka uzorko-
vanja možemo izvesti zasebno biranje za svaki stratum, ili za svaki stratum možc-
mo izvući ,,iz šešira” zasebnu proporciju učenika.
Ovakav uzorak će tačno odslikavati strukturu stratuma u populaciji. Ako
smatramo da pojava koju istiažujemo zavisi od toga da li su učeniei mladi ili
stariji i da li su dečaci ili dcvojčice, ondaje važno da njihovi medusobni brojčani
odnosi budu isti kao u čitavoj školi. Rekli smo da prosto slučajno biranje nije
pristrasno ni prema komc. Iz toga bi slcdilo da ne postoji nijedan sistematski
razlog koji bi doveo do toga da struktura uzorka bude drukčija ncgo što jc u
populaciji. Mcdutim, radi sc samo o ,jcdnakim šansama", daklc nc o izvcsnosti.
Premda su šanse za izbor jednake, to nc isključuje mogućnost da u uzorak koji je
biran prosto slučajno ude više dečaka nego devojčica.
 Sto istraživana pojava više zavisi od pripadnosti slralumu, odnosno što su
stratumi imutar sche homogemji, a između sebe heterogeniji, to j e opravclanost
stratifikacje uznrkovanja veća.
Sta se postiže stratifikovanim slučajnim biranjem? Sužavanje intei-vala
poverenja, odnosno smanjivanje standardnih grešaka. lako prosto slučajno bira-
nje „nikoga više ne voli”, kada bismo uzorkovali prostim slučajnim biranjem u
svakom sledećem uzorku bi struktura uzorka bila drukčija. Tačnije rečeno, uzorak
sa pravilnom stratumskom strukturom mogli bismo da dobijemo samo slučajno.
Distribucija uzorokovanja nekog našeg statistika, rccimo aritmetičke sredine,
imaće povećanu varijabilnost (zbog delovanja straturna). Nasuprot tome, stratifi-
kovani (proporcionalni, kvotni) pristup obezbeduje pravilnu strukturu i time
smanjuje varijabilnost distribucije uzorkovanja. Pošto se mera varijabilnosti
distribucije uzorkovanja zove standardna greška, mi stratifikovanim pristupom
smanjujemo standardnu grešku. Smanjenje standardne greške stratifikovanog
uzorka u odnosu na prost slučajni uzorak u istim uslovima je ,,na nivou formule”,
dakle može se izračunati.
Zbog toga se stratifikovano slučajno biranje smatra superiornim u odnosu
naprosto shičajno biranje. Obično je ono brže i manje košta od prostog slučajnog
biranja. Zato, kad god možemo da pretpostavimo stratunie koji su od značaja za
pojavu koju islražujemo i kada znamo njihove brojčane odnose primenićemo
stratifikovano slučajno biranje.
U posebnompoglavlju je spomeniit problem malih stratuma. Stratifikovano
biranjc može da bude rešcnje tog problcma. Kada je vcličina nekog stratuma u
populaciji mala, proporcionalno biranje po jednakim verovatnoćama bi dovelo do
toga da broj pripadnika tog stratuma u uzorku bude minimalan. To bi onemogii-
ćilo da vršimo generalizacije na sam taj stratum. Jcdna mogućnost je da namerno
izabercmo u uzorak višc tih članova popiilacije. Kad se radi o stratifikovanom
slučajnom biranju, to znači da bismo njihovu proporciju uzorkovanja uzcli veću
ncgo što jeste, odnosno korak manji nego što jeste. Ovakvo uzorkovanje se
obično naziva neproporcionalnim stratifikovanim shičajnim biranjem. Ova meto-
da uzorkovanja pruža rešenje za izučavanje svojstava malih stratuma i donošenje
validnih generalizacija u odnosu na te stratume.
Danas se za stratifikovano biranje najčešćc koristi procedura proporcional-
nog alociranja (engl, proportional allocation procedurc - PAP), koja obezbcđuje
proporcionalnost a uzorci koji se dobijaju nazivaju sc sanioponderisanim.

5. Ponderisanje

Ako je uzorak biran stratifikovano i ako su neki stratumi namciTio nadrcpre-

zentovani, ili ako se u rcalizovanom uzorku to desilo nenamerno, izračunavanje
statističkc značajnosti, standardnih grešaka i intervala poverenja neće biti tačno
jer biranje nije bilo po metodi jcdnakih verovatnoća. Da bi sc izbegao taj pro-
blem, istraživači moraju ponderisati (cng. vveighting) članove populacije koji su
namerno (ili sliičajno) prekobrojni odgovarajućim pondcrom (u ovom slučaju
manjim od 1). Pondcrisanje je jedna česta istraživačka tehnika za „peglanje
uzorka”, premda za nju nedvosmisleno važi slcdeće: što ga ima manje, to je bolje
(isti taj iskaz važi i za probleni ispuštenih vrednosti). Naime, što su ponderi
različitiji od jedinice, to je veća opasnost da ćcmo ponderisanjem proizvesti arte-
ficijchic podatke.
Dakle, ako namcrno izaberemo 100 osoba koje su se kockale u uzorku od
1000, to je precenjivanje njihovog broja za oko 100 puta. Kada analiziramo
njihova svojstva zasebno, ili istražujemo razlike te grupe Ijudi u odnosu na druge
grupe, odnosno povezanost različitih varijabli, možcmo smatrati da je takvo
precenjivanjc korisno. Medutim, ako su nam od prv’cnstvenog interesa generaliza-
cije na populaciju (recimo, u nckom istraživanju iz oblasti političkog marketinga
ili za prognoziranje izbora), onda je disproporcionalno uzorkovanje štetno.
To možemo rešiti tako da svako pojavljivanje osoba koje su se kockale, gde god
vršimo prebrojavanje, pomnožimo sa 0,01. Ako ih sada jednostavno prebrojimo, dobićemo
nakon ponderisanja da ima samo jedna takva osoba. Tako je njihov prognozirani broj u
populaciji vraćen u normalne okvire (kao da su birani sa jednakim verovatnoćama). Među-
tim, veličina uzorka bi nakon ponderisanja pala na n=901, što bi značilo da opet nemamo
pravilne proporcije u uzorku. Neki autori preporučuju da se uzorak opet dovede na n=1000
tako što će se ponovo izvršiti ponderisanje svih članova sa približno 1,11. Dakle, u pogledu
onih 100 osoba koje su se kockale, one su prvo veštački .smanjene" množenjem sa 0,01, a
zatim „povećane” faktorom 1,11.
U prethodnim pasusima se govorilo o ponderisanju slratifikovanih uzoraka u kojima
su neki stratumi namerno pod- ili nad-reprezentovani. Ovaj tip ponderisanja se obično
naziva post-stratifikacijom . Ponderisanje se, medutim, primenjuje i kada se uoči da reali-
zo v a n i uzorak po nekim svojstvima odstupa od popisa ili od planiranog uzorka (npr. ako
smo dobili manje žena od očekivanih 50%). Pošto je ovo obično posledica „etape ispita-
nika”, naziva se ponderisanjem neodgovora. Ponderisanje se primenjuje i ako su jedinice
uzorkovanja domaćinstva, iz kojih biramo jednog člana, jer veću verovatnoću biranja imaju
čianovi iz malih domaćinstava nego većih.
U statističkom pogledu, ponderisanje gcneralno smanjuje preciznost uzorka, defini-
sanu širinom intervala poverenja. To znači da povećava standardnu grešku. Rekli smo da
stratifikovano slučajno biranje povećava preciznost, dakle smanjuje .standardnu grešku.
Prema tome, može se reći da ponderisanjem obično izgubimo prednosti koje stratifikovano
biranje ima nad prostim biranjem. Naravno, ova preciznost uzorka se odnosi samo na greš-
ke uzorkovanja, a ne na greške merenja, koje mogu biti znatno veće.
Postoje i ozbiljne kritike ponderisanja. Ređmo, kad ponderišemo podatke, onda se u
nekom uzorku može desiti da povećamo greške uzorkovanja, a u drugom da ih smanjimo.
Te efekte možemo pratiti i proceniti na nekim osobinama čija nam je distribucija u populaciji
poznata, kao što su pol, starost, školska sprema i sl. Medutim, za većinu drugih osobina,
odnosno za većinu osobina koje mogu da interesuju društvenog istraživača, taćne proporci-
je u populaciji nisu poznate. One su upravo predmet istraživanja. Na taj način, ponderisa-
njem smo povećavali varijabilnost distribucije uzorkovanja. Povećana varijabilnost znači
smanjenu preciznost. Otuda sledi zaključak da u neproporcionalnom stratifikovanom biranju,
nakon ponderisanja imamo veću neizvesnost koliko je tačna naša procena standardne
greške.
 Posebno je problematična situacija kada su ponderi veći od jedinice, To znači kao da
smo anketirali više Ijudi. Zbog toga neko može postaviti pitanje zašto istraživač uvek ne bi
mogao da ispita 600 Ijudi pa ih ponderiše sa 2 kako bi dobio dovoljno veliki uzorak, Vrlo če-
sto se pribegava ponderisanju zato što tokom terenskog istraživanja dode do velikog odbija-
nja, i to na primer, više odbijaju saradnju stariji i slabo obrazovani. Zbog toga će već na prvi
i površan pogled na izveštaj o „realizaciji uzorka” biti očigledno da su ti stratumi pod-repre-
zentirani. Da bi to izbegli, istraživači starije neobrazovane osobe koje su prihvatile saradnju
ponderišu sa nekim ponderom većim od jedinice. Kad se sada pogledaju frekvencije, sve
izgleda ,,na broju”, Medutim, ako na pojavu koja se ispituje, na primer zadovoljstvo usluga-
ma domova zdravlja, utiču neke lične osobine ispitanika, kao što je na primer optimizam,
društvenost, otvorenost i s l„ i zbog kojih su oni i pristali na saradnju sa ispitivačima, onda
množenjem njih sa ponderom 1,5 (na primer) činimo to da u celokupnom stratumu pojača-
vamo prisustvo optimizma, otvorenosti i društvenosti, To je s jedne strane pogrešno, a s
druge strane vrlo neugodno jer ne znamo da smo zapravo to uradili,

Kao zaključak; ponderisanjem se može dejstvovati napoznate pristrasnosti

uzorka, ali se ne može dejstvovati na nepoznale.
E kspanzija na populaciju. - Kada smo u prethodnom tekstu diskutovali
pondere oni su se kretali oko jedinice, Radi jednostavnosti izlaganja ponderi su tu
imali ulogu da koriguju pod- ili nadreprezentovanje nekih stratuma it uzorkii.
Međutim, istraživači često ponderišu tako da dobiju generalizovane frekvencije
pojavljivanja grupe u populaciji.
Recimo da je proporcija učešća nekog stratuma u populaciji jednaka p,.
Broj članova populacije koji pripadaju tom stratumu se može izračunati kao
p ,^ N . Na primer, ako se radi o osobama koje imaju visoku školsku spremu, a
njiliovaproporcija učešća iznosi oko 0,08, stvami broj punoletnih osoba u SCG se
može proceniti na m, = 0,08 x 7,000,000 = 560,000. Ako smo odlučili da radimo
sa uzorkom veličine »=500 (sa frakcijom biranja /=500/7000000=0,0000714),
prosto slučajno biranje bi dalo oko 40 takvih osoba u uzorku. Pretpostavimo da
nam je taj broj bio premaii za analize koje smo planirali (recimo za analizu
povezanosti godine diplomiranja i dužine čekanja na posao), pa smo ih nadrepre-
zentovali u uzorku sa 7?,= 100. Nakon što smo završili analize namenjene samo
tom stratumu i prešli na analize koje se odnose na uzorak (populaciju) u celini,
moramo ponderisati osobe sa visokom spremom sa ponderom w,=(/:>j xnyn,=0,40.
Da bi svoj uzorak opet vratio u celini na ;j=500, istraživač može opet sve jedinice
posmatranja ponderisati sa >v^=l,136.
Međutim, kao što smo rekli, istraživača će često interesovati da operiše sa
stvarnim brojem Ijudi u populaciji. U tom slučaju će izabrati ponder vv, tako da
bude w^=(p,xn)l{n,^f) = 5600. Ponder za ostalih 400 slučajeva iz uzorka će biti
prosto W2= l//= 14,000. Nažalost, na taj način će se dobiti da populacija ima
6,160,000 članova, te zato opet moramo sve članove uzorka ponderisati sa =
1,136. Proračun pondera se može izvršiti i na dmge načine, a korekcioni ponder
se može uključili u m', i Wi.
 6. Klaster biranje

Klaster biranje je verovatno najčešće korišćena metoda slučajnog uzorko-

vanja. Klaster se definiše kao skup jedinica posmatranja iste vrste. U klaster
biranju populacija se deli na klastere, a klasteri se zatini biraju slučajno. Zatini se
sve jedinice posmatranja iz odabranih klastera uzimaju u uzorak. Taj tip uzoraka
nazivamo klaster uzorci. Klasteri predstavljaju grupe ili celine koje prirodno i
fizički (prostorno) objedinjuju jedinice posmatranja. Primeri klastera su škole,
preduzeća ili bolnice.
Kada se islraživanje sprovodi na stanovništvu, a ne na primer na radnicima
neke fabrike, ili zatvorenicima u jednom kazneno popravnom zavodu, onda po-
stoji problem što biranjem građana sa spiska dobijamo veliko geografsko raspr-
šenje. Slanje anketara na adrese izabranili Ijudi koji su raštrkani po gradovima i
selima bi bio veoma skup i dugotrajan postupak. Da bi se smanjilo prostomo
raspršenje jedinica posmatranja izniišljeni su takozvani zonslci uzorci (engl. area).
Zone su klasteri koji su definisani geografski - opštine, naselja, mesne zajednice,
biračka mesta.
Osim navedenog razloga, geografskog raspršenja, istraživač će se opredeliti
za klaster biranje i onda kada ne postoji spisak populacije, ili ne može da ga dobi-
je. U tom slučaju će biti prinuđen da bira krupnije jedinice uzorkovanja, klastere.
Postupak zonskog ili klaster biranja je sledeći.
• Ukupna populacija se deli na klastere ili na geografske celine ~ zone.
• Sa spiska klastera ili zona se vrši slučajno biranje potrebnog broja kla-
stera ili zona.
• U odabranim klasterima ili zonama se ispitaju ^ve jedinice posmatranja
(stanovnici, domaćinstava i sL).

Na ovaj način smo put koji anketari moraju da pređu značajno smanjili jer
su jedinice posmatranja prostorno grupisane, a rešili smo i problem nedostatka
spiska populacije. Medutim, opisana varijanta klasler biranja je suviše pojedno-
stavljena je r ne prcdvida nikakvu kontrolu veličine klastera, veličine uzorka i
stratifikaciju. Zato se klaster biranje obično koristi višeetapno ili kombinovano sa
drugim metodama.

7. Višeetapno biranje

U praksi se uzorci prave kombinacijom dva ili više načina biranja koji su
gore opisani. Posebno se potrcba za kombinovanjem metoda javlja kod velikih
uzoraka koji se prave za istraživanja na nacionalnom nivou. Najčešća je
kombinacija klaster biranja sa nekirn od dmgih načina biranja, pa se u literaturi
može sresti da se višeetapno biranje tretira kao uopšteno klaster ili zonsko biranje.
P rim er prv e etape. - Kod višeetapnog biranja (engl. multistage sampling)
populacija se obično deli na hijerarhijski način u geografske, administrativne,
ekonomskc, političke ili neke dnige celine, od većili, ka sve manjim. U tcrminolo-
giji iizorkovanja ove celine se nazivaju klasterima, odnosno zonama. Prva etapa
tizorkovanja se onda vrši primcnom nekog načina biranja na spisak klastcra. Na
primer, teritoriju Srbije i Cme Gore možcmo podeliti na nekoliko načina, npr.:
• na republike i pokrajine,
• na regione kao što su sevcr, centralni deo, jug, Beograd, razvijcni,
nerazvijeni itd.,
• na izbome jcdinice (ako po tckućcm izbornom zakonu one postoje) ili
ncke druge siičnc cclinc.
Naravno, ove gcopolitičkc cclinc su uglavnom suviše krupne i obično se
tretiraju kao stratumi iz kojih se proporcionalno biraju opštinc. Daklc, u prvoj
etapi su opštinc jcdinice uzorkovanja. Na spisak svih opština možemo primeniti
slučajno biranje po stratifikovanom (proporcionalnom ili kvotnom) modelu, tako
da dobijeni uzorak opština budc rcprczcntativan za Srbiju i Crnu Goru (stratumi
su rcpublike, rcgioni itd.). Na ovoj ctapi smo daklc uzorkovali opštinc po modclu
stratifikovanog biranja, opštinc sc trctiraju kao zonc, a uzorak sc naziva zonskim.
Prinicr drugc ctape. -N a k o n toga, u drugoj ctapi, iz opština koje su ušle u
uzorak možemo birati naselja, odnosno mcsnc zajcdnicc. Obično sc naselja prvo
stratilikuju po kriterijumu: gradska nasclja, ostala nasclja, pa sc zatim biraju tako
da u uzorak uđe proporcionalan broj gradova i scla. Kriterijum šta jc grad, a šta
selo („ostala nasclja”) varirao jc tokom vremena. Tokom popisa 1991. godine Sa-
vezni zavod za statistiku je imao ,,pravni kritcrijum” i „statistički kritcrijum” po
kojima je razvrstavao naselja u gradove odnosno scla. Pažljivo pripremljena istra-
živanja se mogu poslužiti vlastitom klasifikacijom nasclja u gradska i seoska, po
vlastitim kritcrijuinima. Dakle, u ovoj ctapi sc uzorkovanjc vrši sa spiska nasclja.
U ovoj ctapi se još uvek koristi zonsko biranje. Jcdinicc uzorkovanja su
nasclja, koja se u istraživačkoj temiinologiji nazivaju punktovima ili popisnim
krugovima, a najčcšće odgovaraju mesnim zajednicama. U terminologiji uzorko-
vanja se može sresti i naziv „blokovi”, vcrovatno zbog toga što sc u Americi
popisni krugovi nazivaju popisnim blokovima (eng. ccnsus blocks),
Treća ctapa, varijanta prva. - Činom odabiranja naselja obično se završa-
va „zonski” dco uzorkovanja. U zavisnosti od toga šta su nam jedinicc posmatra-
nja (odrasli, omladina, stanovi, domaćinstva...), prcostajc da neposredno izabcrc-
mo jedinicc koje ćc ući u uzorak. Da bi uzorak u cclini bio slučajan i ovo konačno
biranje se mora obaviti nekom metodom slučajnog biranja. Jedan od načina jc da
se konačnc jcdinice uzorkovanja (kojc su onda i jcdinice posmatranja) biraju sa
nckog raspoloživog spiska, Kao što je ranije rcčcno, domaći istraživači će obično
posegnuti za biračkim spiskovima. U tom slučaju će sc biranje obaviti mctodom
sistcmatskog slučajnog biranja, tj. mctodom izbora po koraku, a anketar će ići
dircktno na adrese odabranih ispitanika.
Treća ctapa, varijanta druga. - Ako se istraživač nc opredcli za neki od
raspoloživih spiskova (zato što mu nisu dostupni, zato što sumnja u njihovu tač-
nost ili iz netcog drugog razloga), onda mu oslajc da i u trcćoj etapi nastavi sa
,,zonskim” pristupom biranju. Naime, ako raspokiže spomcnutim skicama naseija,
onda može siučajno odabrati kuće iii zgrade, označiti ili na skici i poslati anketare
direktno na te adrcsc. Ako ne raspolaže takvim skieama može dati uputstvo anke-
tarima da obilaze punktove po nekom opštcm planu kao što jc kretanjc u smeru
kazaljke na .satu, u gradskim sredinama, iii nekom drugom varijantom ,,siučajnog
puta”.
Nakon što je definisan način kretanja kroz punkt, anketarima se mora dati
uputstvo za biranje zgrada i kuća koje će posetiti. Pošto se ne raspolaže tačnim
skieama i spiskovimr stambenih objckata (jcr ako se raspolaže biranje bi se izvr-
šilo ,,u kancclariji”), obično se ankctarima zadaje korak izbora. Na primer, daje
im se uputstvo da ulaze u svaku pctu kuću.
Naravno, „kiiće” nisu iste, jer se niože raditi o kući na selii u kojoj živi
jedno domaćinstvo, jednako kao i o višespratnoj zgradi u gradu sa par stotina
stanova. Za takve vclike zgrade se može predvideti nova ctapa „slučajnog puta” i
koraka biranja koji obulivata spratove i stanove.
Analogno biranju Ijudi sa biračkog spiska, stanovi ili kiiće bi sc moglc birati
sa spiskova stambcnog fonda, spiskova elektrodistributivnih prcduzcća, ili nekih
drugih komunalnih institucija. U tom slučaju bi se biranjc opet moglo izvršiti
prostim ili sistematskim slučajnim biranjem.
U ovoj varijanti trcće ctape, jcdinice uzorkovanja na kojima sc biranje vrši
na manje-više slučajan način su, dakle, stanovi/kuće, odnosno domaćinstva.
Problem koji tu nastaje je u tome što primarnc jediniee uzorkovanja (jer jc ovo
poslednja ctapa) obično ne odgovaraju jcdinicama posmatranja. Naime, jedinice
posmatranja su obično osobe, a ne domaćinstva.
Taj problcm sc u praksi obično rešava tako da kada ankctar konačno dode
do jednc kućc ili stana gde tipično živi jedno domaćinstvo, primenjuje pravilo da
se odabcre onaj član domaćinstva koji je zadnji iniao rodcndan, ili koji ćc pi^vi
imati rodendan. Naravno, ako su jedinice ])osinatranja domaćinstva, onda anketar
neće primenjivati kriterijuni prvog rodendana, nego će po uputstvu izabrati osobu
koja predstavlja to domaćinstvo (domaćina). Ako ispituje ncku odrcdcnu starosnu
grupu, ili koji drugi stratum, onda takodc neće primenjivati kriterijum prvog
rodcndana, nego će birati osobu (osobe) koja pripada tom stratumu.
Pošto jc tehnika biranja prcma datumu rodenja |iokazala ncke nedostatke,
prcdložcni su alternativni postupci koji podrazumevaju relativno složenc tabcle i
postupke izračunavanja. Složcnost postupka biranja osoba unutar domaćinstva je
ograničena vremenom i raspoloživim stipljenjcm Ijiidi. Naime, da bi po ovim
altcrnativnim postupcima utvrdio koji član ćc ući u uzorak, anketar mora postaviti
seriju uvodnih pitanja i razgovora i što je ta serija pitanja duža, to su šansc da
izgubi saradnju vcće. Taj problem je poscbno akutan kod iclcfonskih anketa.
Klaster biranje i višcctapno biranje su praktično jedini praktičan izlaz za
istraživanja na velikim uzorcima koji obuhvataju cclu zemlju. Medutim, njihova
preciznost jc gcncralno manja nego kod drugih slučajnih uzoraka. .loš važnije jc
to što formule za izračunavanje standardnih grešaka u komereijalnim statističkim
paketima nisu primerene ovim uzorcima i šlo najčešće značajno potcenjuju
standardnu grešku.
Iz gornjeg opisa koji približno odgovara jednom realnom iizorku za
nacionalno istraživanje (reciino javnog mnjenja) vidi se raznovrsnost i slojevitost
postupaka biranja. Vidi se, takode, da nakon „zonskog” dela uzorkovanja, za koji
je postojao spisak gcografskili celina, zona, odnosno klastera, kasnije etape
biranja nisu uvek imale spiskove popukicije. Opisane skice ili karte su jedna vrsta
spiska, pa ako je konačni izbor domaćinstava vršen na osnovu njih, može se reći
da su domaćinstva birana slučajno. Međutim, odredivanje puta kretanja anketaru
i koraka biranja adrcsa nije isto što i slučajno biranje sa spiska po principu jedna-
kih verovatnoća.
Zbog toga za ovakve uzorke generalno važi da su manje precizni (imaju
veću standardnu grešku) od prostog slučajnogbiranja, apogotovo od stratifikova-
nog slučajnog biranja. Naravno, pitanje preciznosti, a posebno reprezentativnosti
(generalizabilnosti) uzorka je složeno pitanje na koje nema prostog odgovora. U
literaturi postoje komparativna istraživanja raznih vrsta uzoraka, a postoje i
evidencijc o tome koliko su koji uzorci bih uspešni u predviđanju i generalizaciji
(na primer u prcdizbomim istraživanjima javnog mnjenja koja se vrše sa ciljem
prognoze izbornih rezultata).

8. Slučajno biranje telefonskih brojeva

Od sredinc 80-tih godina prošlog veka u SAD počinju da preovladavaju

telefonskc ankete u domenu ispitivanja javnog mnjenja i marketinških istraživa-
nja. Danas je to dominantan način pristupanja javnom mnjenju, dok je hčno
intervjuisanje (i^revashodno na višeetapnim zonskim uzorcima) prepušteno samo
nacionahiim popisima i vehkim nacionalnim istraživanjima.
Tehnologija telefonskih ankela je donela novine u svim segmentima anket-
nog istraživanja. Kao prvo, toj tehnologiji je prilagođeno uzorkovanje. Kao
drugo, cclokupna procedura intei”vjuisanja je računarski podržana i naziva se
računarski podržanim telefonskim intervjuisanjem (cng. CATI, v.).
Uzorkovanje telefonskih brojeva se inicijahto vršilo preko telcfonskih ime-
nika. Telefonski imenik se tretirao kao spisak populacije iz koga su sc brojevi
birah prvcnstveno po modehi sistematskog shičajnog biranja. Kod nas je to još
uvek dominantna tehnologija. U SAD je ta tehnologija danas skoro potpuno napu-
štenajer su uočena dva nedostatka: a) podreprezentovanje najsiromašnijih slojeva
koji nemaju telefon i b) podreprezentovanje najbogatijih slojeva koji ne daju
svoje brojeve u imenike. Trcba imati u vidu da u SAD 95% radno aktivnih doma-
ćinstava ima najmanje jedan telefon” , te da je nedostatak pod b) znalno izraženiji
jer se pretpostavlja da oko 30% pretplatnika ne žeh da mu se broj nađe u imeniku.

Ovaj podalaknijesasvim pouzda}! jc rg a iiije lako utvrdili, a i razlikujc seod države

do države, od klasc do klasc, da li sc radi o nacionalnoj iiianjini itd.
 Kod nas je situacija verovatno potpuno obmuta. Broj domaćinstava sa tele-
fonom u SCG jedva premašuje 70%, ali nije poznato koliko njih odbija da im broj
bude naveden u imeniku, kao i koliko njih ima više telefona.
Pored ovih problema postoji i univerzalan problem zastarelih podataka u
imenicima. Ljudi se sele, brojevi telefona se menjaju, nekada čak i masovno (od
strane telefonskih kompanija), telefonski priključci se otkazuju, neki još nisu
uvedeni u imeniku itd. Nije poznat stepen ažumosti telefonskih imenika kod nas,
ali se može pretpostaviti da, eufemistički rečeno, na tom planu postoje problemi.
Zbog navedenih problema, u SAD je napušteno biranje brojeva iz imenika
i razvijena je metoda shičajnog izbora telefonskih brojeva (eng. random digit
diahng - RDD). lako se danas većina agencija za javno mnjenje i marketing služi
tom metodom, ni ona nije bez nedostataka. Kao prvo, ona i dalje „podreprezen-
tuje” domaćinstva bez telefona. U SAD se radi samo o 5% domaćinstava, ali je po
svemu sudeći to pasivno stanovništvo koje apstinira na izborima i predstavlja
malog konzumenta, te ne povećava grešku zaključivanja. Drugi problem je što
RDD nadreprezentuje domaćinstva sa više telefona u kući (ukoliko se ne
kontroliše adresa). Treći problem je taj što se, za razliku od biranja iz imenika, ne
zna da li odabrani broj pripada domaćinstvu ili nekoj ustanovi/preduzeću.
Da bi tehnika RDD bila opcrativna, razvijen je niz složenih operacija koje
su podržane računarom, ali koje podrazumevaju i sistematiziranu i organizovanu
telefonsku mrežu kakva je u SAD. Pomoću tih procedura se eliminišu takozvani
prazni intervali brojeva, brojevi ustanova i preduzeća (studentski domovi, kasar-
ne, zatvori i bolnice se obično ne uzimaju u obzir kad se tretira opšta populacija),
vodi se evidencija o odsutnosti osoba koje su izabrane i evidencija o vremenu
ponovnog zvanja itd.
Uobičajeno je da se u zadnjoj etapi, nakon što se uspostavi telefonska veza
sa domaćinstvom, za intervjuisanje odabira osoba koja je poslednja imala ili prva
ima rođendan, ili sc primenjuje neka kompleksnija šema koja još bolje obezbe-
đuje jednaku verovatnoću izbora.
lako je moguće ovu metodu uzorkovanja sprovesti kao višeetapnu, sa
prethodnim biranjem regiona i opština (zona), najčešće se to ne radi, nego se
ukupan prostor brojeva (uključujući i pozivne brojcve) tretira kao jedinstveni
spisak populacije. U RDD tehnologiji, dakle, spisak ne postoji doslovno, kao
papirna lista, nego ga sačinjava procedura biranja brojeva.
Kada je prikupljanje podataka gotovo, kontroliše se realizovani uzorak i
ponderiše, ukoliko je potrebno, kako bi se uskladio sa podacima iz popisa. Stopa
neodgovora u SAD je izgleda prilično šarolika; u Gallupu navode da imaju
direktnog odbijanja oko 8,8%, dok 67% odmah prihvata razgovor (razliku vero-
vatno čine privremena i trajna odsustvovanja ispitanika). Medutim, druge organi-
zacije i agencije za javno mnjenje su zadovoljne sa 43% obavljenih razgovora, a
marketinška istraživanja sa još mnogo manje. Neki naši podaci govore da kod
telefonskih anketa nije neobična stopa neodgovora od 50%. Rešenjc za ovaj
problem se kod telefonskih anketa nalazi u upomom ponovnom nazivanju i u
svim drugim metodam a koje su ovde spomeniite na dmgim mestima (vidi odeljak
0 „elapi ispitanika”).

F. Neprobabilistički uzorci

Kođ neprobabilističkih (engl. non-random) uzorai(a ne postoji spisak popu-

iacije i ne postoji mogućnost da se za svakog člana populacije izračuna vero-
vatnoća biranja, a način izvlačenja članova ne uključuje u sebe postupke poznate
iz igara na sreću. Zbog toga se na njih ne mogu primeniti ona pravila teorije vero-
vatnoće i statistike na kojima se bazira statističko zaključivanje. Društveni istra-
živač treba da zna da ako u istraživanju koristi neprobabilistički uzorak, onda svi
iskazi o „statističkoj značajnosti” mogu u najboljemslučaju biti dobra aproksima-
cija. N e-skičajni uzorci su vrlo često koriste za izbcr jedinica posmatranja u;
• kvalitativnim istraživanjima,
• kvantitativnim istraživanjima koje imaju preliminanni (pilot istraživa-
nja) ili eksploratornu namenu, a primena slučajnih uzoraka bi bila suviše
skupa i dugotrajna,
• kad god je to jedina izvodljiva mogućnost, odnosno kada slučajno bira-
nje sa spiska nije izvodljivo.
U poglavlju o utenieljenoj teoriji opisanojetcorijsko uzorkovanje, a na više
mesta je rečcno da se kvalitativna islraživanja odlikuju namernira uzorkovanjem.
Kvalitativni istraživači se opredeljuju za teorijsko uzorkovanje (koje je u suštini
nam emo) zato što njihov cilj nije testiranje hipoteza.

1. Prigodno biranje

Postoje dve glavne vrste neprobabilističkih uzoraka: prigodni i namerni.

Prigodno biranje (eng. accidental, haphazard, convenience, availability) zasniva
se na biranju onih članova populacije koji su dostupni, odnosno raspoloživi. Tipi-
čan prim er za prigodno biranje je intervjuisanje gradana koji napuštaju neki skup,
izlaze iz ncke prodavnice, ili sa stadiona, prisustvuju demonstracijama i tome
slično. Posebno karakterislično je prigodno uzorkovanje prolaznika na ulici koje
se koristi na radiju ili televiziji kao ilustracija vox popiiii. Isto tako, prigodno
biramo ako ispitujemo osobe koje „prisilno” prisustvuju nckom dogadaju, kao
kad učenici prisustvuju nastavi, ili kadčlanovi neke političke stranke prisustvuju
partijskom sastanku. Prigodni uzorci nastaju i kad objaviino „anketu” u novinama
ili na Intem etu, pa se javljaju čitaoci ili posetioci wcb-stranice.
 2. Namerno biranje

Ne-slučajno biranje se najčešće vrši kao neka vrsta namemog biranja. U

namernom biranju mi vršimo selekciju članova s obzirom na neku svrhu ili
nameru. Ako na ulici vidimo da nam prilazi neko sa sveskom i pita da li može da
nas intervjuiše, on se najverovatnije služi namcrnim uzorkom i najverovatnije je
anketar u nekoni marketinškom istraživanju. Naime, on traži npr. osobe srednjih
godina ženskog pola, pristojno odevene, ih traži osobe koje nose kesu sa
odredenim proizvodom, ili penzionere koji u parku igraju šah.
Brzina i jednostavnost pristupa uzorku je osnovna prednost namernog
biranja. U zavisnosti od distribucije pojave koja se ispituje (i drugih stvari koje
utiču na reprezentativnost uzorka) i od namene i vrste istraživanja, namerni uzorci
mogu biti optimalno rešenje. Metodologiju biranja treba kontrolisati tako da
intervjuer proveri da U osoba stvarno pripada ciljnoj grupi (jer ne moraju sve
starije osobe koje igraju šah u parku biti penzioneri). Kao i u svim drugim uzorci-
ma, ah ipak više nego drugde, namemo biranje favorizuje aktivne i otvorene
osobe. U zavisnosti od toga šta je ciljna grupa, neke njene podgrupe mogu biti
više đostupne ne zbog osobina Hčnosti, nego zato što se profesionahio više kreću.
Kad god je moguće, istraživač bi trebao da nastoji da kompenzira ovo nadrepre-
zentovanje.
B iranje m odalnih članova. - Ovaj naziv potiče od statističke mere central-
ne tendencije, tzv. modahie vehčine koja označava najčešću vrednost varijable.
Dakle, modalni članovi su oni koji su „tipični”. Istraživači stahio snivaju o
otkrivanju ncke tipične opštine, nekog tipičnog regiona, ili nekog tipičnog člana
čiji će odgovori moći da zamene mukotipni rad sa uzorkom. Kada se radi o
izbornim prognozama, mogu se pitati za koga će glasati predstavnici populacije
koji su „tipični”, odnosno prosečni po starosti i obrazovanju, na primer.
Gore opisani primer sa marketinškim istraživanjem se takođe, verovatno,
bazira na prethodnim saznanjima da je tipični potrošač nekog proizvoda, recimo
deterdženta, žena srednjih godina.
„San” istraživača da će naći tipičnog ispitanika dosada nije ispunjen.
Naravno, postoje mnoga iskustva da se a posteriori mogu utvrdili da neke vrlo
male grupe Ijudi dobro reprezentuju mnogo veći uzorak, medutim, nisu potvrđene
garancije da će te iste grupe i u budućnosti biti modahii predstavnici. Medutim,
kada se radi o spomenutom istraživanju preferencija potrošača, istraživačka stra-
tegija da se obraća tipičnim potrošačima izgleda sasvim razumna.
B iranje eksperata. - Nekada se ovo biranje naziva ekspertskim, ah taj
naziv nije tačan. Naime, možemo da u uzorak izaberemo eksperte iz neke oblasti
i da od njih prikupljamo mišljenja o toj oblasti. Takav uzorak eksperata se pone-
kad može upotrebiti kroz tzv. „panel diskusiju”. Status eksperta nije strogo
definisan. Osobu može smatrati ekspeilom zato što ima visoko i specijalističko
obrazovanje (npr. dirigenti i kompozitori), ili zato što se dugo bavi nekim poslom
 (npr. muzičari u filharmoniji), ili zato što je posebno posvećen oblasti koja se
ispituje (recimo Ijubitelji opere).
Ovakav uzorak je uobičajeni namerni uzorak ukoliko želimo da ispitujemo
pojavu za koju su izabrane osobe stručne. Ako istražujemo, na primer, interesova-
nje javnosti za klasičnu muziku, onda bismo mogli da anketiramo opštu populaci-
ju. Međutim, eksperti takođe mogu da imaju uvid o kretanju poseta na koncer-
tima, reakcijama publike, preferencijama prema pojedinim autorima i izvođačima
itd. Eicsperti će posebno biti od pomoći ako nas zanimaju pravci razvoja muzičke
umetnosti, kretanja u svetu itd. Kao poseban slučaj biranja eksperata može se
sresti i biranje kritičnih shtčajeva, kada ne biramo bilo koje eksperte nego tačno
određene - kao što su dobitnici nagrada, pobednici na takmičenjima itd.
Panel eksperata možemo okupiti u bilo koju svrhu, pa čak i za ocenu plana
uzorka koji nam treba u daljem istraživanju, ili za smernice koje treba imati u
vidu prilikom planiranja tog uzorka. Panel eksperata može biti od prvozrazredne
koristi, osim u dva slučaja: a) ako se eksperti međusobno dijametralno razlikuju u
pogledu stavova i b) ako greše.
Heterogeno biranje. - Ovom tipu namernog biranja pribeći ćemo kad nas
interesuje da utvrdimo svu različitost koja postoji u populaciji - recimo različita
mišijenja. Pri tome nam je od drugostepenog značenja koliko je koje mišljenje
zastupljeno, tj. nisu nam presudne tačne proporcije. Upravo suprotno biranju
modahiih shičajeva, ovde nas zanima da obuhvatimo svu širinu pojave u popula-
ciji. Obično su pojave o kojima je reč mišljenja, stavovi ili ideje, pa se heterogeno
biranje može zamisliti kao uzorkovanje ideja, a ne Ijudi.
Recimo, interes za sagledavanje širine pojave je čest u uvodnim fazama dru-
štvenih istraživanja. Ako se radi o konstrukciji mernog instrumenta za ispitivanje
stavova, ih sistema kategorija u analizi sadržaja, jedna od metodoloških sugestija
je da se koristi „brain storming”. U toj fazi, istraživači, eventuahio potpomognuti
saradnicima i stručnjacima iz odnosne oblasti, zapisuju ,,sve što im padne na
pamet”. Cilj je da se definiše celokupni domen pojave koja se ispituje. Ovu fazu
ćemo sinatrati uspešnom ako su zapisanim uzorkom ideja ili mišljenja obuhvaćeni
svi aspekti pojave. Da bismo registrovale neke retke, „odmetničke” ideje bio bi
potreban vehki pilot uzorak iz opšte populacije, pa se može smatrati vehkom
uštedoni ako se te ideje ustanove tokom brain storminga.
Nekada su ciljevi istraživanja takvi da nam trebaju ekstremni ili devijantni
slučajevi, u kom shičaju ćemo tražiti da u uzorak udu upravo takvi.
Biranje lanccm preporuka. - Ovaj tip neprobabilističkog namemog
uzorka se može još sresti pod engleskim nazivom „chain referral samphng”, ili
podnazivima„biranje kao snežna grudva” (eng. snowbalI sampling), ili mrežnim
uzorkovanjem (eng. netvvork sampling). Osnovni princip ovog biranja je da istra-
živač odabcrc par prvih slučajeva iz ciljne grupe, a da ostale članove nalazi na
osnovu preporuke prethodnih ispitanika.
Primer sa siromašnim starijim muškarcima koji smo obilno koristili u ovoj
glavi može pomoći za ilustraciju ovog tipa birania. Naime, već smo rekli da ćemo
teško naći spisak takvih osoba, a posebno najtežih sliičajcva kao što su lica bez
stahiog mesla boravka (skitnice). Tu nam može pomoći ako nademo nekoliko
skitnica i oni nas odvedu ili upute na Ijude sa kojima se trenutno kreću. Taj lanac
preporuka će nas, uz malo sreće, odvesti sve dalje i dalje, dok ne prikupimo
dovoljan broj osoba. Uzorkovanje mnogih nelormalnih grupa, struktura, ili mreža
koje su teško dostupne može se obaviti na ovaj način.

3. Kvotni uzorak

Ponedak se kvotni uzorak (engl. quota sample) svrstava u nameme uzorke.

U izvesnom smislu, s obzirom na nameru da imamo dobro reprezentovane kvote,
to jeste namerni uzorak. Neki drugi autori kvotni uzorak tretiraju kao prigodno
biranje, koje se vrši tako da bude zadovoijena proporcionalnost prema kvotama.
Nama se čini da je značaj kvotnog uzorka toiiki da zashižuje da se opiše kao
zascbna vrsta neprobabiiističkog uzorka.
Kvote su veoma slične proporcijama kod stratifikovanog biranja. Recimo,
ako znamo da u populaciji imamo 55% žena i 45% muškaraca, biraćemo Ijude
tako da uzorak sadrži upravo taj odnos polova. Ako Ijude biramo na ulici i iz
nekog razloga prvo popunimo kvotu žena, nastavićemo da čekamo muškarce, a
propuštaćemo žene bez obzira koliko ih nailazi.
Kvotni uzorak je bio veoma popularan u Americi, posebno nakon 1936.
godine sa slučajem The Literai^ Digesta. Navešćemo ovaj slučaj koji pripada
klasici istraživanja javnog mnjenja.

Slučaj „The Literary D igesta". - Ova američka revija je u periodu od 1916. do 1936.
izvršila veoma veliki broj anketa istražujući ono što se danas naziva javnim mnjenjem. Obič-
no su glasačke listlće ili upltnlke u formi dopisnica slall poštom na adrese vlasnlka telefona
III automoblla. Dopisnlce su služlle istovremeno kao reklama za časopls. 0 kollklm uzorclma
se radl govorl podatak da su 1922. godlne poslall 8 mllona pisama telefonsklm prelplatnl-
cima, a 1932. godlne čak 20 miliona telefonskim pretplatniclma I vlasnlcima automoblla. U
ovom drugom slučaju, dobill su odgovor od oko 5 mlllona građana. Naravno, zalnteresovale
su Ih I prognoze predsedničklh Izbora pa su tokom nekoliko godlna vršlll ankete sa tim clljem
po Istoj metodologljl. Greške predvidanja su varlrale I nekada su za današnja shvatanja bile
vrlo vellke (Izmedu 1 2 121%), all su spomenute 1932. godlne predvldell pobedu Roosevelta
sa svega 1% pogreške. Tada još nisu postojali krlterljuml koji bi nalagall da „zazvonl zvono
za uzbunu” zbog povremenih veliklh grešaka.
Nažalost, došla je 1936. godina kada je The Literary Digest predvldio pobedu repu-
bllkanca Alfa Landona nad demokratom Frankllnom Rooseveltom, a na osnovu .uhodane’
tehnologije obraćanja pretplatnlcima telefona I vlasnlclma automoblla. Roosevelt je pobedlo
Landona sa 523 elektorska glasa prema 8, čime je dovedeno do kraja ne samo izlaženje
The Llterary Dlgesta, nego I do ozbiljnog razmatranja metodologlje javnomnjenjsklh Istražl-
vanja. George Horace Gallup, kojl je te Iste 1936. godlne, na uzorku od samo n = 3 000 prcd-
video pobedu Ruzvelta, odmah je loclrao problem ove predizborne prognoze kao problem
uzorkovanja, jer su vlasnicl telefona i automoblla prlpadall boljestojećem srednjcm sloju kojl
je većlnski blo raspoložen konzervatlvno, prorepublikanskl. U uzorku su blll značajno podre-
prezentovanl slablje stojeći glasačl Iz radnićke klase kojl su blli s jedne strane brojniji, a s
 druge strane listom za demokratskog kandidata, Gallup je iskoristio priliku i sa jakom eki-
pom statističara i psihologa osnovao Američki institut za javno mnjenje (American Institute
of Public Opinion, danas The Gallup Organization, www.gallup.com ) koji su za ankete počeli
koristiti kvotne uzorke.
Kasnije greške u predizbornim prognozama su bile mnogo manje, ali su se neke od
njih svejedno .proslavile”, kako kod nas, tako i u inostranstvu. Na predsedničkim izborima u
SAD 1948. godine ponovila se greška u anketama koje su predviđale pobedu Thomasa
Dewyea nad Harry Trumanom, koji je na kraju pobedio. Danas se greškom smatra već
sama greška u procentima koja je veća od 3%, a da ne govorimo o pogreški u redosledu
kandidata.
Jedna od velikih grešaka u prognozi izbornih rezultata se dogodila 1992. godine na
britanskim opštim izborima. Tada su glasovi konzervativaca potcenjeni za oko 7,5%, a to je
čak bilc najmanje podcenjivanje u skoro 60 anketa koje su objavljene pred te izbore. Osno-
van je čak i komitet koji je analizirao tu grešku. U opticaju su bila tri glavna objašnjenja: a)
1/4 grešaka je nastala zbog tzv. brzog preokreta pred same izbore, b) kvotni uzorak je
doveo do pristrasnosti prema biračima laburista I c) dogodila se .spirala tišine”. Spirala tišine
je pcjava da izvesne grupe I slojevi, kao što su partijske pristalice, izbegavaju da ispolje svo-
ja opredeljenja, obično ih iskazujući kao ,ne znam”, „ne želim da odgovorim” i „neću glasati”.
Utvrdeno je da su baš tih godina pristalice konzervativaca bile izrazite po tim odgovorima.

Uglavnom, period ozbiljnog istraživanja javnog mnjenja, nakon 1936.

godine počco je sa usavršavanjcm kvotnih uzoraka. Tipično kvotno biranje sastoji
se iz sledećili koraka; 1) izbor obeležja populacije koja će se koristiti za uprav-
Ijanje biranjcm članova populacije, 2) utvrđivanje proporcija zastupljenosti u
populaciji svih modahteta ovih obelcžja i 3) formiranje kvota za anketare, a na
osnovu proporcija zastupljenosti obeležja.
U prvom koraku je uobičajeno da se biraju neka „tvrda” obeležja za koja
važ.i da: a) dobro poznajemo njihovu distribuciju u populaciji i b) da su relevantna
za pojave kojc se istražuju. Kod nas su to obično tzv, demografska obeležja kao
što su pol, starost i obrazovanje, za koja postoje (reiativno) valjani popisni podaci
i demografskc projekcije, Osim ovih, mogu se iskoristiti i zanimanje, socio-
ckonomski status, veličina mcsta stanovanja, nacionalna i verska pripadnost itd.
Veoma je važno znati da ta obeležja kasnije služe za procenu reprezentativnosti
rcahzovanog uzorka, Pošto biranje nije slučajno, nego ga vrše ankctari na lcrenu,
od presudne je važnosti da istraživač, nakon što je prikupljanje podataka
obavljeno, na realizovanom uzorku uporedi dobijene proporcije i one koje postoje
u populaciji, Ova obeležja prcma kojima se vrši biranje se nazivaju kvotnim
obcležjima ili kvolJiim k h te r ju m im a .
U drugom koraku se identifikuju proporcije zastupljenosti kategorija
(modaliteta) obeležja u populaciji. Ako se radi o obrazovanju, onda je važno da
imamo što bolju ocenu stanja u populaciji. Izmedu ostalog, važno je usaglasiti
modalitete obeležja. K.od nas se, recimo, koriste različite klasifikacije stepena
obrazovanja. U SAD najčešće stepen obrazovanosti izražavaju kroz broj godina
školovanja. Kod nas je uobičajenija klasifikacija: bez škole, nepotpuna osnovna
škola, osnovna škola, srednja škola, viša škola, visoka škola, m agisterij-doktorat-
specijalizacija, ali postoje i drukčije klasifikacije u kojima se prepliće stepen i
vrsta škole. U svakom slučaju, u ovom koraku uzorkovanja, istraživač mora da
 uskladi svoju klasifikaciju sa onom iz koje vadi podatke o proporciji za-
stupljenosti.

Tabela 21. - Primer kvotnog obrasca za jedan punkt

M uškarci Ženc Ukupno
Kvote po starosti
18-29 1 4
30-39 2 4
40-49 2 4
50-59 2 4
60+ 3 4

Ukupno 10 10 20
Kvote po obrazovanju
- Bez škole ili nezavršena OŠ 2 3
- Osnovna škola - OŠ (8 razrcda) 3 5
- Škola za radnička zanimanja 1 3
- Srednja škola 2 5
- Viša škola 1 2
- 1-akuitct, akademija, mi', dr 1 2

Ukupno________________ 10 10 20

U ovom koraku je važno i da se poznaje ne samo opšta proporcionalna za-

stupljenost kvotnih obeležja u popuiaciji, nego i rasprostranjenost kako u geo-
grafskom tako i u drugom smislu. Kvote po obrazovanju, na primcr, moraju biti
drukčije u gradu nego na seiu.
Konačno, na osnovu dobijenili proporcija mogu se napraviti kvotni obrasci
za ankctare. Primer jcdnog kvotnog obrasca mogao biti izgledati kao u tabeli 21.

4. Problemi kvota

Nekoliko stvari trcba uočiti u ovom kvotnom obrascu. Kao prvo, on se

odnosi na jedan punkt, odnosno mesnu zajcdnicu ili naseljc. U tom nasclju
anketar treba da ispita ukupno 20 osoba. Druga stvar na koju treba obratiti pažnju
je da su kvote zaokružene. U ovom punktu i kod žena i kod muškaraca treba
odabrati po jednu osobu sa visokom spremom (verovatno se radi o nekom
gradskom punktu). To bi značilo da će se u iizorku dobiti oko 10% takvih osoba,
što je više nego u populaciji. Da bi se to kompcnziralo, u nekim drugim punk-
tovima neće biti uzeta ni jedna osoba sa visokom spremom (gde se, na osnovu
popisa ili drugih podataka, očekuje da ih ima malo).

Vezane kvote. - Trcća važna stvar u ovom obrascu je ta da je pol po kvota-

ma vezan sa kvotama po starosti i obrazovanju - više su zastupljene starijc žene i
one sa nižim obrazovanjei^ a muškarci obmuto. „Vezivanje” kvota se prepoznaje
po tome što su kvotne varijgble „ugnježdene” (eng. nesting). Na primer, starost i
obrazovanje su ugnježdeni\unutar pola, tj. svaki pol mora da bude pravilno
zastupljen u pogledu starosne^i obrazovne strukture.
Vezane kvote su prava ^ o ra za anketare, a ako se sa vezivanjem pretera,
onda je sva prilika da će moru đipživeti i istraživač kad bude analizirao realizova-
ni uzorak. Zamislimo da je ovajiobrazac napravljen tako da su osim po polu,
kvote vezane i po starosti. U tom slučaju, anketar bi morao da traži recimo žensku
osobu, stam između 50 i 59 god!'|a, sa visokim obrazovanjem. Po gomjem
obrascu, anketar ima lakšu dužnost cia.nađe jednu žensku i jednu mušku visoko-
obrazovanu osobu (bez obzira na starošt,).
Pošto vezane kvote značajno ote|avaju nalaženje ispitanika, obično se
izbegava bilo kakvo vezivanje kvota, pa fii^ u gomjem obrascu pol bio naveden u
prvoj koloni sa leve strane kao npr.: M ušlj - 10, Ženski - 10. Ako zamislimo
logiku biranja na terenu, videćemo da an k e t^ na početku rada u jednom punktu
ima najveću slobodu. Svaka osoba mu je d o to d o šla. Kako anketiranje odmiče,
kvote se iscipljuju i može doći u situaciju d a \ o d zadnjeg, 20-tog ispitanika, u
seoskom punktu, ima ispitanih svega 9 žena i^svega jednu visokoobrazovanu
osobu. To bi značilo da mora naći visokoobrazovibu ženu. Dakle, do „vezivanja”
kvota dolazi i onda kad istraživač nije to eksplicilno tražio.
Obično se anketarima daje uputstvo da prvo'teiraju kiitične grupe (malo-
brojne). Osim toga, obučeni anketari, koji poznaju tereg na kome rade, mogu sami
napraviti plan obilaska i traženja osoba. Česta je situacijji da anketari znaju gde se
nalaze neke „vrlo tražene osobe” (kao što su spomenuteVisokoobrazovane starije
žene) u kom slučaju te osobe učestvuju u svim anketamal,postanu najviše pitane
osobe u mestu. Pored svega, anketarima se mora dozvoliti ^ odstupe od kvotnog
kriterijuma zajednu osobu, ali samo po jednom kriterijumu ^ o obično bude pol).
Međutim, ako kvote nisu vezane, onda profili ispitanik^. neće biti pravilno
zastupljeni. N a primer, ako odvojimo kvote po polu od k^pta po starosti i
obrazovanju, možemo dobiti uzorak sa pravilnimproporcijania, ijedam m odvoje-
no. Ali u tom uzorku verovatno neće biti ni jedna mlada visoko o^razovana žena
niti stariji neobrazovani muškarac (iako ih u populaciji ima). P o ^ je kontrola
reprezentativnosti kod kvotnih uzoraka veoma važna i obavlja se pr% o kontrole
zastupljenosti kvotnih obeležja, problem vezivanja kvota tek kod ovpg načina
uzorkovanja izbija na videlo.
K oja obeležja mogu biti kvotna. - Rekli smo da sc po pravilu za-^votna
obeležja uzimaju „tvrde” osobine ispitanika. Pod „tvrdim” se podrazum eva^a su
ona objektivna u smislu lakog i nedvosmislenog utvrđivanja (pol i starost, n ^ .).
U razvijenim zemljama je čest kvotni kriterijum socio-ekonomski status (S I^ ),
odnosno prihod. Kod nas, do trenutka pisanja ovog teksta, to nije bilo dovolji^,
tvrdo obeležje, jer SES zavisi od raznih privilegija ih novca stečenog na ,,sivi”,\,
sumnjiv i protivpravni način. Zbog toga je identifikovanje prihoda pojedinaca ili
domaćinstava objektivno komplikovano, a ispitanici izbegavaju da pmže tačne
podatke.
 Istraživače često progoni želja da u kvotne kriterijume uvrste i neka „meka”
obeležja koja su neposredno vezana za predmet istraživanja. Pod mekim
obeležjima se obično podrazumevaju stavovi, izboma opredeljenja, partijska
pripadnost ili neke osobine ličnosti. Na primer, ako se istražuje zadovoljstvo
korisnika nekog proizvoda tim proizvodom i korelati tog zadovoljstva, prirodno
je da bi istraživač želio da ima proporcionalnu zastupljenost korisnika tog
proizvoda, a zatim i proporcionalnu zastupljenost po zadovoljstvu proizvodom.
Istraživača, naime, može da brine to što u uzorku može dobiti suviše ma!o onili
koji su zadovoljni proizvodom, ili suviše mnogo.
Sličiio se dešava sa istraživanjempolitičkogjavnog mnjenja, gde bi nsjbolje
bilo da u uzorku budu praviLno zastupljeni podržavaoci raznih političkih opcija.
Problem je što se stavovi ne znaju unapred, ne znaju se njihove tačne proporcije,
a osim toga, promenljivi su. Pored toga, anketar bi trebao da utvrdi stav ispitanika
na početku intcrvjua, u poznatih „prvih šest pitanja”, što nije !ako izvodivo.
Međutim, postoje neke posredne mogućnosti za uključivanje „mekih”
svojstava u kvote. Ako se radi o zadovoljstvu proizvodom može se izvršiti zonska
(geografslca) stratifikacija populacije po stopi prodaje tog proizvoda. Sasvim je
verovatno da kupovina tog proizvoda korelira sa zadovoljstvom njime. Ako se
radi o pripadnicima političkih opcija, može se populacija stratifikovati po broju
članova neke političke stranke, pokicta ili organizacije, zatim prema rezultatima
zadnjih izbora i sl. To su i dalje „meki” kvotni kriterijumi, ali mogu biti korisni.
Ipak, treba imati u vidu da „tvrdi” podaci, koji se dobijaju samoocenom
ispitanika nisu obavezno „tvrdi” . Eysenck (1971) navodi da je u kvotnim uzorci-
ma poduzorak žena obično mlađi od žena u zonskom uzorku, a poduzorak muška-
raca obično imućniji. To se pripisuje samoljubivom iskrivljavanju odgovora od
strane ispitanika.

5. Mešovito biranje

Postoji još jedan važan aspekt koji se može zaključiti iz kvotnog obrasca
prikazanog u tabeli 21. Taj kvotni obrazac se odnosi na jedan punkt, popisni krug,
naseljc ili mesnu zajcdnicu (kako se već ta jedinica uzorkovanja sve naziva).
Dakle, kvotnom biranju je prethodilo zonsko biranje. Anketari se ne šalju u sve
gradove i mesta u zemlji iz razloga koji su ranije navedeni. Zbog toga se kvotni
uzorci obično realizuju kao dvoetapni tizorci (ih čak višeetapni uzorci), gde se u
prvoj etapi slučajno biraju naselja po stratifikovanom modelu. Recimo, naselja se
biraju prema tipu (selo-grad), regionu, izbornoj jedinici, a škole prema vrsti,
lokaciji, veličini mesta ili na neki dmgi način. Čak šta više, anketar sc može
služiti raznim spiskovima da bi došao do potrebnih osoba (kao što su spiskovi
zaposlonih, npr.). Medutim, suština kvotnog modela namernog uzorka je u tome
da anketar ne bira sa spiskova slučajno (npr. po koraku), nego namerno po 10 bilo
kojih žena i 10 bilo kojih muškaraca. Ovakva kombinacija zonskog i kvotnog
biranja naziva se mešovito biranje.
 Konkretna uputstva anketarima, čak i kad se radi o slučajnim uzorcima,
često sadrže uputstvo da ako osoba koja je izabrana sa biračkog spiska nije do-
stupna ili ne žcli da odgovara, sledeća osoba bude odabrana „poštujući raznovr-
snost po polu, starosti i obrazovanju”. Ako anketar posluša to uputstvo, onda on u
stvari uzorkuje po kvotnom modelu, bez obzira što je plan uzorka slučajan. Sve u
svemu, kvotni uzorak se praktično nikad ne koristi samostalno kad se radi o
opštoj populaciji jedne zemlje ili veće geografske celine. Njemu uvek prethode
neke etape koje se obično sprovode po modelu slučajnog biranja (kao što je
zonsko ili klaster biranje).
Zbog toga se višeetapni uzorci najčešće realizuju po mešovitom modelu.
Kao što smo videli u odgovarajućem poglavlju, etape mogu biti mešovite već s
obzirom na vrstu slučajnog biranja koje se koristi. Npr. opštine se mogu birati
pomoću stratifikovanog slučajnog biranja, dok se ispitanici mogu birati sa birač-
kih spiskova po modelu sistematskog slučajnog biranja (po koraku). Malopre smo
videli da konačna etapa, biranje jedinica posmatranja, može biti obavljena po
kvotnom modelu, kada uzorak postaje mešovit u pogledu kombinacije proba-
bilističkog i neprobabihstičkog biranja.

6. Neke opšte sugestije za neprobabilističko uzorkovanje

Na prethodnim stranama su već spomenute neke od tih sugestija. Naime,

uočljivo je da kod neslučajnog uzorkovanja izbor članova populacije u uzorak
mnogo zavisi od volje istraživača ili anketara. U zavisnosti od tipa biranja, posto-
je uputstva i kriterijumi za izbor koji do izvesne mere standardizuju proceduru
biranja. Kod kvotnog uzorka to su, recimo, kvotni kriterijumi. Mcdutim, kvotni
kriterijum ne mora uvek biti jasan i nedvosmislen (kao što je u slučaju pola), nego
može biti širok kao u slučaju: „viša i visoka škola”. Ako se stvar prepusti anketa-
rima (odnosno ako se na to posebno ne obrati pažnja), velika je verovatnoća da će
biti izabrane samo osobe sa višom školom jer se lakše nalaze.
Posebno izražen je taj problem kod prigodnih uzoraka, gde zapravo nikak-
vih posebnih kriterijuma za izbor nema, osim da ispitanici budu dostupni. U svim
tim slučajevima treba postupati po jednom opštem principu: dati varijabilnosti
šansu. To znači da se, kad god je to moguće, biraju različiti ispitnici i da se
izbegava da to budu slični ispitanici. Različitost treba tražiti u pogledu socio-
demografskih obeležja kao što su starost, pol, obrazovanje i sl., ali i u pogledu
raznih drugih elemenata koji se mogu pojaviti tokom konkretnog istraživanja.
Recimo, treba izbegavati da se na ulici ispituju samo osobe koje se same nameću
i traže „ncšto da izjave” (to je univerzalni problem da treba biti oprezan prema
podacima koji su prikupljeni isključivo na ispitanicima-dobrovoljcima).
Treba izbegavati da se ispituje više članova iste porodice, više članova
nekog društva istomišljenika (npr. za stolom u kafani ili gntpe koja sedi zajedno
u parku), više učesnika sastanka neke političke organizacije kao što su stranke.
Nasiiprot lome, treba nastojati ispitati Ijude u predgrađima i malim selima, stare,
invalide, bolesne, siromašne, neobrazovane itd.
S obzirom da se prostor mogućih relevantnih faktora koji utiču na pojavu
koja se ispituje menja od pojave do pojave i od istraživanja do istraživanja, teško
je dati jedinstveno upiitstvo. Treba, prvo, sam istraživač da ima osećaj i razume-
vanje za tu problematiku (problematiku „davanja šanse različitostinia da se
ispolje”), a zatim da se u tom sinislu instniiraju i obuče svi koji neposredno uče-
stvuju u prikupljanju podataka.
Zatim, ako se, npr., ispituju neke osetljive stvari, kao što su seksualno pona-
šanje ili uživanje psihoaktivnih supstanei kod školske omladine, onda će vero-
vatno ispitivanje biti gnipno. Mora se stvoriti atmosfera anonimnosti i poverenja,
a suzbijati odbrambene reakcije kao što su prazne neozbiljnosti, dobaeivanje, šale
i drugo. Ako se to dogodi, iii ako učenici napuštaju ispitivanje kada vide šta se
pita, to je razlog da se izvrši modifikacija pristupa ispitivanju, da se radi sa
manjim grupama, ako treba čak i individualno. U takvim situacijama, naime,
može delovanje „etape ispitanika” (v.) da bude tako drastično da kompletno istra-
živanje bude kompromitovano. Nepopunjeni uputnici su najmanji problem, oni se
sami otkrivaju, medutim neiskreno popunjeni upitnici će iza sebe ostaviti samo
nikad dokazanu sumnju.

7. Neke posebne tehnike i modifikacije uzoraka

Nacrt uzorka na izvestan način zavisi od nacrta istraživanja. Na primer, kod

panel istraživanja je jasno da ćemo u ponovijenim istraživanjima nastojati da
stupimo u kontakt sa istim ispitanicima sa kojima snio razgovarali u ranijim
talasima.
Medutim, istraživanje se može sprovoditi u talasima, recimo sa ciljem da
prati promene koje se dešavaju u javnom mnjenju, ah ne u obliku panel istraživa-
nja. Tada nam, naime, nije važno da pratimo jednom odabrani uzorak Ijudi, nego
možemo koristiti laimiilativni nzorak u kome slahio dodajemo nove ispitanike.
Vrlo česta logika kumulativnog uzorkovanja je sledcća: pi'vog dana (nede-
Ije, meseca...) se ispita jedan uzorak ispitanika, od recimo «=I000 ispitanika (po
bilo kom tipu uzorka). Svakog sledećeg dana (nedelje, mcseca) se ispita novi
uzorak od ;;=500 ispitanika i doda se prcthodnom, ali se iz prethodnog odbaci 500
ispitanika po slučajnom izboru. Na taj način, svaki put imamo uzorak veličine
n=1000, ali izvučenog u dva različita tcrmina.
Ova logika se može niodifikovati tako da se „drži” kumulirani uzorak za tri
ili više uzastopnih termina, a veličine uzorka iz prvog i ostalih tcrmina mogu
takode varirati.
Pošto se zna da formulacija pitanja može drastično uticati na odgovore
ispitanika (iako istraživač misli da je suština pitanja ista), često se koristi tehnika
tzv. podeijetiog uzorl(a (eng. split sample) gde se jednom delu uzorka daje jcdna
varijanta pitanja, a daigom druga (nioraju, dakle, postojati različiti upilnici). Na
taj način se mogu uporediti frekvencije modaliteta odgovora i ako su značajno
različite istraživač može pitanje odbaciti kao pogrešno fonnulisano.

G. Poređenje probabilističkih i
neprobabilističkih uzoraka

Postoji načelan stav statističara da su neprobabilistički uzorci inferiorni u

odnosu na slučajne uzorke. Kaže se da za to postoje sledeći razlozi.
• Neprobabilistički uzorci, pošto ne koriste slučajno biranje po pravilu
jednakih verovatnoća, ne podležu zakonima teorije verovatnoće.
• Zbog toga se na njih ne mogu primeniti pravila statistike zaključivanja.
Tačnije, za njih se ne mogu izračunati standardne greške i intervali pove-
renja. Otiida se za njih ne mogu izvesti statistički pokazatelji kvaliteta.
Namemo ne kažemo statistički pokazatclji reprezentativnosti, jer smo
ranije objasnili da je reprezentativnost uzorka jedan od opštih ciljeva
cmpirijskih nauka. Za reprezentativnost ne postoje odredeni pokazatelji,
niti recepti, a intcrvali poverenja nisu ništa drugo nego što im ime kaže -
oni određuju raspon u kome možemo imati poverenje u uzorak.
• Pošto se ne mogu izvesti statistički pokazatelji preciznosti uzorka
(intervali povercnja), ne možemo izvesti ni statistički valjane zaključke.
Na primer, ne možcmo testirati nulte hipoteze.
To su sve vrlo neprijatne posledice koje bi mogao imati istraživač koji
koristi ncprobabilističkc uzorke. Međutim, postoje vrlo jaki razlozi pomoću kojih
se mogu relativizirati prcdnosti slučajnih uzoraka i ograničiti stvama primenjivost
teorijc vcrovatnoće na uzorkovanje u naukama o ponašanju. U nekoliko slcdcćih
poglavlja opisaćemo glavne razloge.

1. Svako uzorkovanje ima skrivene etape

E fapa ispitanika. - Podsetimo se primcra iz odeijka o višeetapnom biranju.

Anketar-ispitivač je vođen manje ili više probabilistički do jedne kuće ili stana.
Ako su jedinice posmatranja odrasli Ijudi, onda će anketar morati da izvrši izbor
jednog od članova domaćinstva, recimo po kriterijumu prvog rodendana. Ako je
sve išlo tako kako je opisano u primeru, i ako je osoba koja prva ima rodcndan
pristala na razgovor, onda je plan uzorkovanja poštovan. Pošto su višeetapni
uzorci slučajni, statističar će reći da takvi uzorci imaju jasnu prednost nad
neprobabilističkim.
 Međutimo, zamislimo da anketar radi u gradskom naselju, da je po koraku
biranja odabrao ulaz u nekoj velikoj zgradi i opet na osnovu koraka odabrao sprat
i stan u koji treba ući. Na dotičnom ulazu je, nažalost, našao vrata sa interfonom
i kada je pozvonio na izabrani stan, stanari nisu hteli ni da ga puste unutra.
Progledao je kroz prste uputstvima za biranje i pozvonio u sledcćem stanu. Tu je
bio bolje sreće, jer su ga Ijudi pustili u stan i dobio je priliku da se predstavi, da
pokaže svoja ovkišćenja i da pita ko će sledeći imati rodendan. Ispalo je d a je to
starija žena, koja medutim nije pristala na razgovor i iiputila ga je na „nekog
mlađeg”.
Pojavu odbijanja smo ovde nazvali „etapom ispitanika”, je rb e z obzira kako
mi uzorak isplanirali, na terenu će uvek postojati još jedna etapa biranja koju će
voditi sami ispitanici tako što neće pristajati na ispitivanje. Ipak, treba imati na
umu da odbijanje saradnje od strane ispitanika nije jedini izvor neodgovora.
Ispitanici ,,na koje je pala kocka” su možda bili na putu, ili uopšte ne stanuju na
toj adresi.
U poglavlju o praktičnim problemima istraživanja opisan je problem
neodgovora i naglašeno je da svako neodgovaranje budi sumnju u pristrasnost
uzorka. Ako se radi o neodgovoru koji je posledica odbijanja saradnje, veoma je
teško utvrditi ko je odbijao saradnju i zašto, a ako se to želi onda treba predvideti
posebne procedure za to. Recimo, anketar može dobiti uputstvo da pokuša da
postavi „samo prvih šest pitanja” ispitanicima koji odbijaju. Ako se radi o drugim
izvorima neodgovora, anketari mogu zapisati razloge neobavljenih intervjua.
E tapa a n k e ta ra .- Ako opet pogledamo primer dat u odeljku o višeetapnom
uzorkovanju, videćemo da je u konačnim fazama uzorkovanja uloga anketara vrlo
značajna. On je laj koji će na kraju odabrati jednu ili drugu osobu i koji će
odlučivati o tome da li će još jednom pokušati da pronađe ispitanika. Drugim
rečima, od obučenosti, motivisanosti i socijalnih veština anketara zavisi reprezen-
tativnost uzorka. Treba uraditi sve da se poboljša rad anketara (v. poglavlje o
praktičnim problemima istraživanja), ali iskustvo govori da se anketari razlikuju
po stopi neodgovora. To jasno ukazuje da konačan uzorak zavisi od anketara.
Ako se ne preduzmu svi koraci za unapredivanje rada saradnika, opisani u
poglavlju o praktičnim problemima istraživanja, onda će ,,anketarova etapa”
uzorkovanja biti ne samo procentualno izraženija, nego se može očekivati i da će
biti pristrasna. Anketar će biti manje sposoban ili manje spreman da se potrudi
oko očuvanja principa jednakih i poznatih verovatnoća biranja. I opet, iako je
uzorak po planu trebao da bude slučajan, on neće biti takav, a to znači i da ncće
biti reprezentativan

2. Netačnost dokumentacije na osnovu koje se vrši

uzorkovanje

Iz primera uzorkovanja u odeljku o višeetapnom biranju se vidi da svaka

etapa počiva na nckom spisku. Ranije u poglavlju o spiskovima populacije su
nabrojani razni problemi koji postoje sa tim spiskovima. Cini se da kvalitet
evidencija u jednom društvu korelira sa stepenom razvijenosti tog društva. Iz toga
sledi da neke evidencije mogu biti prihvatljivo tačne, a neke tužno pogrešne.
Istraživač to ne može znati unapred, ali može na osnovu svojih i tuđih
iskustava izgraditi sliku o stanju, raspoloživosti i tačnosti pojedinih spiskova.
D cm ografi izrađuju projekcije kretanja stanovnišfva u periodima između popisa,
a postoje i dnigi izvori na osnovu kojih se može vršiti ažuriranje podataka na
osnovu kojih se vrši uzorkovanje. Dakle, što više informacija prikupi, istraživač
će m oći napraviti bolji pristup uzorku. Popis stanovništva je veliki društveni
projekat, koji kao i svi drugi projekti ima svoje šanse i svoje probleme. U termi-
nologiji empirijskih istraživanja, popisi imaju svoje greške, koje su ekvivalentne
greškam a u istraživanju. Na primer, „etapa anketara” postoji i u popisima.
Što je evidencija koja se koristi za planiranje uzorka starija, što su popisni
podaci stariji, veća je greška. Odstupanja spiska populacije od stvamosti mogu u
celini gledano biti mala, ili mogu biti nasumična, nepristrasna, u kom slučaju u
celini neće poremetiti principe poznatih i jednakih verovatnoća koji odlikuju
slučajno biranje. Medutim, greške na nivou stratuma, regiona ili kvota mogu biti
velike (i sistematske). Istraživač se može osloniti samo na uverenje i procene o
tačnosti spiska populacije. U „ukupnom fondu” grešaka merenja u nekom
društveno naučnom istraživanju, greške popisa i statističkih evidencija verovatno
će učestvovati veoma malo. Ipak, važno je znati da odstupanja od principa slučaj-
nog uzorka mogu da prispeju već od samih osnova - od spiskova populacije.

3. Razlika planiranog od realizovanog uzorka

K od nas je vrlo česta praksa da se izrada plana uzorka poveri stručnjacima

statističarim a, obično iz statističkih zavoda. U njihov deo posla obično spada i
pravilan izbor načina izračunavanja standardne greške, izbor ponderisanja i dm-
gih stvari koje su ovde spomenute u vezi uzorkovanja. Međutim, veonia je važno
da istraživač sa „uzorkašem” dogovori i praćenje realizacije uzorka. Sto se plani-
rani i realizovani uzorak više razlikuju, to se više dovodi u pitanje reprezeutativ-
nosti, projektovane standardne greške ili moć statističkih testova. Ma kako proba-
listički uzorak bio idealno planiran i projcktovan, ukoliko je on slabo realizovan,
iz m a kog razloga, on gubi svoje relativne prednosti.
Da bismo ilustrovali problem o kojem se radi poslužićemo se primerom jednog veli-
kog istraživanja sprovedenog u SFRJ na zahtev Saveza komunista Jugoslavije. Jedinice
posmatranja su bile csnovne organizacije te partije, koje su birane višeetapno, stralifikovano
i proporcionalno. U tom pogledu je plan uzorka bio potpuno korektan i uzorak osnovnih or-
ganizacija je blo reprezentativan na nivou cele zemlje, Za svaki nivo uzorka (etapu) bile su
izrađene posebne formule za ocenu standardne greške: za partijske organizacije, za
republike itd.
Po planu istraživanja, u odabranim osnovnim organizacijama izvršeno je anketiranjt
članova tako što su im podeljeni upitnici na prvom siedećem partijskom sastanku. Rečeno
učinjeno, Kada je ta velika količina podataka prikupljena, unesena u računar i obrađena.
 pokazalo se da su dobijene standardne greške ogromne i nelogične, kao što su bili i svi
ostali podaci (koji su usput ponderisani brojem članova u svakoj etapi uzorkovanja).
Razlog tome je bio to što na taj kritični partijski sastanak nisu dolazili svi članovi
dotične osnovne organizacije i što je varijabilnost prisustva bila velika. U nekim osnovnim
organizacijama upitnike nije popunila ni polovina članstva. To je odličan prim er za jednu
.ekstra etapu uzorkovanja”, kao što smo gore opisali etape ispitanika I anketara. Ne samo
da je ona jako kom prom itovala čitav plan uzorka, nego je verovatno bila pristrasna. Anke-
tiranje se odnosilo na stavove članova o prelomnom partijskcm dokumentu, pa je bilo za
verovati da su članovi koji nisu došli na sastanak zapravo bili kritični prema tom dokumentu.
Zbog toga su naknadni pokušaji revizije i korekcije formula za izračunavanje stan-
dardne greške završili neuspešno, je r prisustvovanje članova sastanku nije pratilo principe
slučajnog uzorkovanja. Tu nije moglo pomoći ni to što su stručnjaci za uzorak bili prisutni
sve do samog kraja. Situacija sa realizacijom uzorka nije uvek tako nepovoljna, ali su odstu-
panja realizovanog uzorka od planiranog manje-više redovna pojava. Ako su ta odstupanja
velika (recimo zbog velike stope neodgovaranja), onda zvono za uzbunu već ozbiljno zvoni i
nema jednostavnog recepta za otklanjanje tog nedostatka. Međutim, kada su odstupanja
veća od predvidenog inten/ala poverenja, ali ipak razumna (recimo za jednocifreni proce-
nat), onda se to obično koriguje dodatnim ponderisanjem. Najbolje je da to dodatno ponde-
risanje obavi stručnjak koji je planirao uzorak.

4. Usaglašenost form ula i tipa uzorka

U odeljku o prostom slučajnom biranju je rečeno da postoji nekoliko osnov-

nih pretpostavki na kojim a počivaju formule za izračunavanje stanđardne greške:
konačnost odnosno beskonačnost populacije i biranje sa ili bez vraćanja. Većina
računarskili program a koristi formule koje su izvedene za biranje bez vraćanja i
za konačne populacije i to za prosto slučajno biranje. To znači da te formule nisu
prilagođene za složene uzorke kakvi su višeetapni, a kao rezultat je podcenjivanje
standardne greške.
Istraživači u oblasti društvenih nauka će retko sami izvoditi formule za
standardne greške uzorkovanja, nego će koristiti ono što im nudi statistički soft-
ver. Ukoliko njihovi podaci ne prate pretpostavke na kojima su izvedene formule,
onda izračunate vrednosti standardnih grešaka i intervala poverenja neće biti
tačni.
U literaturi se može naći koeficijent nacrta uzorka koji ukazuje na to koliko
neki nacrt uzorka utiče na standardnu grešku, odnosno interv'ale poverenja.
Koeficijent ima vrednost jedan za prosto slučajno biranje, više od jedan ako je
uzorak manje preeizan (kao u npr. zonskom biranju), a manje od jedan ako je pre-
cizniji od prostog slučajnog biranja (kao npr. u stratifikovanom uzorkovanju).
 5. Poređenje kvotnog i slučajnog uzorka

Razvoj kvolnog uzorkovanja i njegova masovna primena u istraživanjima javnog

mnjenja usledila je posle 1936. godine. Međutim, već nakon drugog svelskog rata se veća
pažnja počela posvećivati slučajnim uzorcima, posebno zonskim. Tako se klatno masov-
nosti primene počelo pomerati sa kvotnih uzoraka na probabilističke, da bi se u zadnjih 20-
tak godina ta diskusija prilično ohladila zbog toga što se u SAD počelo masovno primenjivati
uzrokovanje telefonskih brojeva, koje je stavilo a d acta diskusije o prednostima jednih ili
drugih uzoraka.
Prednostima slučajnih ili kvotnih uzoraka bavila su se mnoga istraživanja, ali postoji
ozbiljan problem da se finansira i sprovede istraživanje koje bi imalo samo za cilj da uporedi
tip uzorka, a da svi ostali elementi budu jednaki. Zbog toga su poredbena istraživanja naj-
češće koristila različite veličine kvotnog i zonskog uzorka, različite upitnike i različite polazne
pretpostavke, jer su osim poređenja uzoraka Imala i druge namene. Glavna debata je vode-
na 0 preimućstvima zonskog i kvotnog uzorka, kao najčešće primenjivanih načina biranja iz
probabilističkog i neprobabilističkog sveta.
Pokazalo se da kvotni uzorak daje veću šarisu da budu izabrane osobe koje su više
kod kuče i koje su spremnije za saradnju. U praksi to obično znači da će biti više prosečnih
osoba. L) pogledu obrazovanja, kvotni uzorci preferiraju osobe sa višim obrazovanjem od
proseka. Više obrazovane osobe su, naime, po pravilu spremnije za saradnju, ali su više
zaposlene, imaju manje vremena i rede su kod kuće. Starije i slaboobrazovane osobe su
više kod kuće, ali su nesigurne i nevoljne da razgovaraju sa nepoznatima anketarima. Po-
stoje razlozi zbog kojih se može očekivati da će .retke" osobe biti manje dostupne i spremne
za saradnju. U literaturi se može naći i zapažanje da kvotni uzorci favorizuju aktivne i otvo-
rene osobe koje su dostupnije za intervjuisanje. Kada se stekne više uslova, kao što su
obrazovanje, uzrast, otvorenost i druge slične varijable, može se doći do toga da kvotni
uzorci u celini podcene neke grupe, a precene druge. Tako Eysonck (1971) navodi da su
kvotni uzorci u prvoj polovini XX veka precenjivali glasače konzervativnih kandidata iz
srednje klase, a podcenjivali socijalističke i kandidate radničke klase.

Po svemu sudeći, osnovnu razliku izmcđu kvotnog i zonskog uzorka treba

tražiti u većem stepenu dobrovoljnosti kod ovog prvog. U jednom prethodnom
odeljku opisana je „dobrovoljačka greška” i njen mogući uticaj na rezultate. Po-
stoje i zapažanja da su razlike zonskih i kvotnih uzoraka veće u „tvrdim” varija-
blama, nego u „mekim”, kao Sto su .stavovi. Otuda Supek navodi preporuku da
ako nas interesuju činjenični, objektivni podaci, onda je zonski uzorak bolji, a ako
nas interesuju subjektivni podaci, kao šlo su stavovi, onda je kvotni uzorak
sasvim zadovoljavajući. Pošto su, u celini, troškovi kvotnih uzoraka manji^'*,
može se izvuči zaključak da se u ispitivanju javnog mnjenja sa kvotnim uzorkom
za „manje pare” mogu dobiti isti rezuhati.
Ipak, poredenje efikasnosti (reprezentativnosti u odnosu na troškove) uzoraka je
složen problem, jer treba uzeti u obzir ili izjednaćiti sve faktore: stopu neodgovora, veličinu

Zonski uzorci podrazunicvajii nabavku svili spiskova, mapa popisnili krugova i

dcmografskih tabela, izračunavanjc pondcra i standardnih grešaka, striktnu organizacija rada
anketarskc mrcže, višcstruko poscćivanjc ispitanika i tome shčno.
 uzorka, region, anketare, cilj i temu istraživanja itd. Kao što je rečeno, provera reprezen-
tativnosti je contradictio in adjecto, jer ako bismo znali kako đa je provcrimo, znali bismo i
koji uzorak da izvučemo. Uzorci se najlakše mogu porediti po rezultatima na objektivnim,
„tvrdim" obeležjima, kao što su pol, starost i obrazovanje, ali se pokazalo da ni to poređenje
nije uvek lako obaviti,
Supek (1968) navodi tabelu grešaka u popisu stanovništva u SFRJ 1953. godine.
Kod podatka o datumu rodenja procenat grešaka je bio čak 33%, kod podatka o starosti
prilikom prvog stupanja u brak 13%, a kod podataka o školskoj spremi, zanimanju, grani
delatnosti i sl. greške su se kretale oko 10% (ovo su greške nastale tokom popisivanja, a
utvrdene kasnijom proverom). Većina r a A a koje su utvrđene između kvotnih i zonskih
uzoraka je m a n ja od ovih grešaka u popisnim podacima.
Šta tek reći o proveri reprezentativnosti koja se odnosi na „meka’ obeležja kao što su
stavovi. Podaci o stavovima ne postoje u popisima. Retki podaci o tome, iako posredni,
postoje u domenu političkih istraživanja koja se bave prognozom rezultata izbora. Tačnost
koju društvena istraživanja postižu u toj oblasti je začudujuče velika, gde se greška od 5%
smatra velikom, skoro tragičnom, a najčešče je greška znatno ispod 3%. Pojava partijskih i
političkih preferencija je dobro istražena, isto kao i ponašanje Ijudi u toj oblasti, postoje
obimna iskustva o različitim situacijama i, naravno, iskustva stečena na greškama. Taj
recept je izgleda primenjiv na sva istraživanja u svim oblastima - znanje i iskustvo. U
svakom slučaju, na primeru prognoze rezultata izbora se takode nije mogao doneti jedin-
stven zaključak o prednosti probabilističkih nad kvotnim uzorkom.

Ovih nekoliko argumenata: „etape ispitanika i anketara”, netačnost spiskova

populacije, neprilagođenost konvencionalnih form ula za izračunavanje
standardne greške, kao i to što tokom realizacije rnože doći do kompletne kom-
promitacije principa slučajnog uzorka, a izvestan stepen kompromitacije je prosto
neizbežan, mogu se navesti kao protivteža argumentaciji koju smo izložili u
prilog probabilističkih uzoraka. Ovi razlozi, istovremeno, ukazuju na to da
probabilistički uzorci ne moraju biti reprezentativni u konačnoj realizaciji i da su
njihove prednosti u odnosu na neprobabiHstičke uzorke relativne.
U praksi ncma ideahiog rešenja i nema recepta za dobar (reprezentativan)
uzorak. Diskusija iz prethodnih poglavlja o odnosu reprezentativnosti uzorka i
njegove veličine, te o istraživanju retkih pojava, takođe ukazuje na relativnost
koju inia vrsta uzorka u kontekstu istraživačevih potreba. Neprobabilistički uzorci
su najčešće znatno ,jeftiniji” u pogledu potrebnih resursa, a reprezentativnost ira
može biti konkurentna probabilističkim ako se imaju u vidu uslovi koji su ranije
spomenuti.
NeprobabiHstičko biranje podrazumeva da jedinice posmatranja ne ukize u
uzorak na osnovu slučajnog izbora, nego po nekom dnigom kriterijumu. Na
početku je rečeno da, pošto nisu nastali na osnovu teorije verovatnoće, za ove
uzorke se ne mogu izračunati standardne greške i intervali poverenja.
Prosečan društveni istraživač će biti iznenaden ovom tvrdnjom, jer nema
empirijskog naučnog rada u kome nenia iskaza o statističkoj značajnosti. Niko i
ne obraća pažnju na to da !i je uzorak u istraživanju bio shičajni ih ne. Medutim,
treba imati u vidu taj striktni stav statističara: statistička značajnost nema smisla
na neprobabilističkim uzorcima. Prema tom striktHom stavu, testiranje pomoću t-
testa, x^-testa ili bilo koje druge uzdanice istraživača na neprobabilističkim
uzorcima ne počiva na pretpostavkama koje su ugrađene u te testove.
Treba odmali reći da danas retko ko prihvata taj striktni stav. Čak i statisti-
čari prave kompromise i navode nivoe značajnosti za neprobabilističke uzorke.
Neke razlogc za „umekšavanje stava” smo već naveli tokom diskusije o imanent-
noj nesavršenosti slučajnih uzoraka. Rečeno je da su pravi shičajni uzorci
praktično nemogući, te su otuda i kod njih standardne grcške i statistička značaj-
nost samo aproksimacije. S druge strane, postoje ncki ozbiljni autori koji tvrde da
je reprezentativnost ono što opravdava korišćenje standardnih grešaka, a ne plani-
rana procedura biranja članova. Po tim autorima, ako istraživač dokaže u ra-
zumnom stepenu da je njegov uzorak reprezentativan, onda će i standardne greške
izračunate na tom uzorku biti razunine aproksimacije „prave” standardne greške.

H. Upotreba računara u uzorkovanju

Planiranje i projektovanje uzorka je faza koja prethodi prikupljanju podata-

ka, dok praćenje reahzacije i eventualne korekcije uzorka slede terensku fazu
prikupljanja podataka. Računari se u s^'im koracima uzorkovanja mogu upotrebiti
na razne načine - statističke i nestatističke. Pod nestatističkim načinima podrazu-
mevamo prvenstveno korišćenje baza podataka o ispitanicinia i drugim jedinica-
ma uzorkovanja. Fonniranje i održavanje baze podataka o ispitanicima, ako se
pod time podrazumeva celokupno stanovništo, vrlo je veliki posao, koji prevazila-
zi mogućnosti društveno-istraživačkih institucija. Naravno, za potrebe uzorkova-
nja u istraživanjima javnog mnjenja, na primer, pristup takvoj bazi podataka bio
bi od velike pomoći istraživačima.
Pošto Ijudi nisu jedine jedinice posmatranja kojima se bave istraživanja
ponašanja, osim baze stanovništva vrlo korisne mogu biti baze preduzeća, škola,
ustanova, udruženja i svih drugih potencijahiih jcdinica posmatranja ih jedinica
uzorkovanja (v.). Danas su mnogi takvi spiskovi populacije dostupni na računar-
ski kompatibilnim medijumima, kao što su kompakt diskovi.
Baze bilo kakvih regionahiih entiteta su potrebne kao jedinice uzorkovanja
pri stratifikovanju i zonskom biranju. U fond podataka svih ovakvih baza se mogu
uvrstiti i razhčite informacije koje su značajne za uzrokovanje i za istraživača, sa
svrhom pomoći pri tom poshi. Recimo, podaci koji bi ukazivali na pouzdanost
podataka u toj jedinici uzorkovanja, promenljivost nalaza, shčnost sa rezuUatima
u čitavoj državi, dostupnost u zimskim mesecima itd.
Uloga koju računari mogu da pruže statističaru/istraživaču koji projektuje
uzorak i prati njegovu realizaciju je u svom užem smislu klasična računska
funkcija. Tu spadaju proračunavanjc veličine uzorka, proporcionalna alokacija u
stratifikovanom uzrokovanju, izračunavanje standardnih grešaka, ponderisanje i
druge operacije koje se često nalaze u koinercijalnim statističkim paketima.
Pitanje uzorkovanja se rešava specifično u telefonskim anketama i CATI
studijama (v.), Bez obzira da li se uzorkuje iz telefonskih imenika ili shičajnim
biranjem brojeva (v. RDD), računar može mnogo pomoći u procesu uzorkovanja
tokom računarskog telefonskog anketiranja.
 V III. PISA N JE IS TR A ŽIV A Č K IH
IZV E Š TA JA

Sva naučna produkcija se praklično može svesti na pisanje. Ako se

zanemari intrinzička motivacija istraživača (npr. naučna radoznalost) i ako se
pogleda kako se istraživački rad stvarno odvija, može se reći da sve prethodne
faze istraživanja služe samo tome da nešto bude napisano. Pisanje i objavljivanje
naučnih radova je jedan od centralnih angažmana istraživača, koji je pri tome
proces po mnogo čemu potpuno izdvojen od naučno istraživačkog rada, a optere-
ćen je mnogim laterainim problemima i društvenim i statusnim stranputicama.
Učestvovanje na naučnim skupovima je takođe vrlo važno za „izlazak u javnost”
sa istraživačkim radom i nalazima. Međutim, saopštenja na naučnim skupovima
po pravilu se ne vrednuju mnogo kao vrsta naučnog rada i njihova eventualna
korist je na drugoj strani - medusobnom upoznavanju i razmeni mišljenja.
Prvo što istraživač početnik mora da nauči je da su pravila i običaji u pogle-
du pisanja naučnih radova prilično strogi, ah ne potpuno univerzalni i ne bez
osobitosti i nejasnoća. Smatramo da će kao uvod u „pravila pisanja” biti najbolje
da se objasne principi naučne pubhcistike, ocenjivanja naučnih radova, taksono-
mije naučnih radova, bibliometrije i scijentometrije i drugih osnova na kojima
naučna publicistika počiva.
Svi aspekti pisanja, odnosno naučne produkcije, danas su najuže vezani za
primenu računara. Primeni računara je posvećeno posebno poglavlje i biće vrlo
korisno za razumevanje ove glave da čitalac ima u vidu sve što je tamo rcčeno o
primeni računara u pisanju.
Kao prvo, iako se pojmovi naučne publikacije i naučnog rada kolokvijalno
koriste, to ne znači da im je značenje jednostavno, jednoznačno i opštepoznato.
Intuitivna jasnoća ovili pojmova je varljiva, pa je prirodno da pre nego što se bilo
šta drugo kaže o naučnoj produkciji razmotri šta stvamo možcmo da razumemo
kao naučne tekstove (ili tekstove sa naučnim sadržajem).

1. Šta su naučne publikacije

Pojam „naučna pi'.blikacija” se često sreće, a korišćen je u ovom ili onom

obliku i u ovom tekstu. Razumevanje pojma naučne publikacije je važno da bi se
izložila i objasnila pitanja ocenjivanja naučnog učinka i uticaja. Tadapojam nauč-
ne publikacije postaje vrlo osetljivo pitanje na koje, nažalost, nije lako odgovoriti.
Uobičajeno je da se objavljeni naučni radovi razvrstavajuprema mestu, načinu, ili
medijumu objavljivanja. To mogu biti knjige, naučni časopisi, saopštenja na
naučnim skupovima, radovi prezentirani na Intemetu ili slično. Međutim, šta će
se smatrati knjigom, časopisom ili naučnim skupom, a sve su to mesta gde se
mogu naći naučni tekstovi, to nije u svim slučajevima jasno razjašnjeno. Jedna
moguća podela naučnih publikacija bi bila sledeća.

• Monografije - knjige, diplomski radovi, magistarske teze, doktorske diserta-

cije i sl. Kod nas se u bibliotekarstvu često koristi naziv „monografija”, odnosno
„monografska publikacija” da označi knjigu, anasuprot časopisu koji izlazi perio-
dično. Međutim, monografija je, striktno uzev, tekst posvećen detaljnoj obradi
nekog pitanja; npr, „Monografija o planinama Jugoslavije”. Monografije se mogu
objavljivati u nastavcima, kao knjige, ili se čak mogu objavljivati u časopisima, u
nastavcima. U anglosaksonskoj terminologiji se monografija (monograph) često
koristi upravo u tom značenju - kao tematska celina ili serija, najsličnije našem
pojmu „biblioteka”, npr. Biblioteka „Sazvežda”. Knjige mogu imati jednog ili
više autora, a ako imaju više autora onda jedan od njih može biti urednik (eng.
editor).
• Udžbenici su knjige sa specijalnom namenom - obrazovnom.
• Naučni časopisi se u domaćem bibliotekarstvu (a i časopisi uopšte) označa-
vaju teiTninom „periodika”, jer izlaze periodično. U novije vreme se koristi termin
„serijske publikacije” (nasuprot monografskim publikacijama).

• Naučni skupovi nisu, naravno, naučne publikacije u doslovnom smislu, ali

pošto po pravilu emituju različite vrste naučnih tekstova, zaslužuju da budu za-
sebno klasifikovani.
® Enciklopedije i rečnici su knjige sa specijalnom namenom. Danas je univer-
zalna pojava da se nove enciklopedije i rečnici objavljuju u formatu pogodnom za
računar (CD-ROM ili Interaet), a isto tako, da stare i dobro poznate enciklopedije
(kao npr. Britannica) „migriraju” u elektronski foraiat.
• Zbornike radova objavljuju univerziteti, instituti, naučni skupovi ili neka
druga tela i organizacije. Kao što im ime kaže, u zbomicima se prezentiraju nauč-
ni radovi posvećeni nekim temama kojima se institucija bavi, ili ukupnom radu
naučne institucije, ili se objavljuju povodom neke godišnjice ili svečanosti. Zbor-
nici radova se, naravno, objavljuju kao knjige.
• Elektronski časopisi i Intemet.

Na svim ovim mestima se mogu pročitati, čuti ili videti rezultati naučne
produkcije. Medutim, kako utvrditi da li je neki časopis naučni i da li je skup
naučni? Postoje različiti kriterijumi koji se primenjuju kod nas i u svetu, ali to ne
znači da je klasifikaciju jednostavno izvršiti. Ti kriterijumu se obično primenjuju
„zbimo” i ne ciljaju direktno na identifikaciju „naučnosti”, nego na izvesne for-
malne preduslove za koje su praksa i iskustvo rekli da su važni. Navešćemo neke
od tih kriterijuma.
Kao prvo, podrazumeva se da će izdavač naučne publikacije biti neka nauč-
na, nastavna, razvojna ili stručna institucija ili udruženje.
Kod naučnih časopisa, koji po pravilu izlaze periodično (mesečno, trome-
sečno, polugodišnje, godišnje), jedan od najvažnijih kriterijum aje redovnost izla-
ženja. Ako časopis ne izlazi redovno, on se obično skida sa raznih spiskova i
pregleda. Ako nije na spiskovima ih u bazama podataka, onda autori znaju da u
njemu ne vredi objavljivati. Problemredovnosti izlaženja časopisaje univerzalan,
a posebno je zaoštren u siromašnim i društvima u krizi. Ti problemi su, nažalost,
kod nas bili veorna prisutni u godinama na prelazu XX i XXI veka. Časopisi su
kasnih sa izlaskom godinu i više dana. Redakcije su se dovijale tako što su ka-
šnjenje „ispravljale” objavljivanjem takozvanih dvobroja, trobroja ili čak četvero-
broja. Kasnije će se videti da je za časopise koji kasne teško izračunati kvan-
titativne pokazatelje naučnog učinka.
Poseban problem u smishi vremenske stabilnosti postoji kod elektronskih
izdanja koja se prezentiraju na Intemetu. N a dmgom mestu u ovoj knjizi je taj
problem posebno spomenut (odcljak o trajnosti resursa na Intemetu), a ovde ćemo
samo ponoviti da su Internet pubhkacije vremenski nestabilne i da trenutno ne
postoji rešenje tog problema. U većini „pravila za citiranje” se zahteva da uz
Intemet referencu stoji i datum kada joj je pristupljeno. Taj zahtev proističe
direktno iz saznanja da reference pročitane pre 2-3 godine imaju male šanse da u
istom obliku budu pronadene na istoj adresi.
Sledeći kriterijum koji se primenjuje kako za naučne časopise, tako i za
knjige i dmge publikacije, jeste sistem recenziranja. Manje-više se podrazumeva
da naučne publikacije moraju imati neki sistem provere kvaliteta objavljenih
radova. Tu proveru mogu vršiti urednici, urednički kolegijumi, saveti, ili neko
slično telo, ali univerzalno i opšte prihvaćeno rešenje je da rad pročita jedan ili
više recenzenata, posebno odabranih za tu priliku. Metodologiji recenziranja, kao
kvalitativnoj metodi ocenjivanja naučnih radova, posvećen je poseban odeljak.
Od naučnih publikacija se, takode, zahteva da poštuju pravila i običaje koji
se odnose na format, izgled i sadržaj. Na primer, iz naučnih publikacija se mora
lako dobiti informacija o imenu autora, kao i njegova adresa zap o slen ja- afilija-
cija. Svi nazivi i naslovi u radu moraju biti jasni i kompletni, mora postojati
bibliografija, pri čemu njen izgled i način pozivanja referenci moraju pratiti neku
od konvencija. Moraju postojati rezimea, i to najbolje na nekom od svetskih
jezika (engleski i francuski) i moraju postojati ključne reči. Ako ste, kao korisnik,
fotokopirali članak iz naučnog časopisa, ili neko poglavlje iz knjige, s pravom
ćete očekivati da ćete na stranama koje imate moći naći kompletnu referencu
dotične publikacije (naziv, godinu-volumen i broj), pa je uobičajeno da se takve
informacije obezbede pogodnim grafičkim rešenjem. Za bibliografsku obradu su
posebno važne numeričke klasifikacije publikacija i radova u njima, koje moraju
biti navedene na koricama, potkoricama i uz svaki članak (kod nas se koristi
poznata decimalna klasifikacija UDK). Ukralkn, sve bibliografske informacije
moraju biti prisutne i lako dostupne.
U zavisnosti od tipa publikacije, mogu se očekivati i drugi formalni zahtevi
koje pubiikacija mora ispuniti. Na primer, za knjige se zahteva da imaju određeni
broj strana, kod nas najmanje 51, ali i da imaju i odredeni broj autocitata, recimo
15, kako bi se pokušalo obezbediti d a je autor koji je napisao knjigu, jedan ili više
njih, kompetentan za tu oblast.
Vrlo važno pitanje, pogotovo za „male naučne sredine” je da li je publika-
cija „medunarodna”, odnosno, „od međunarodnog značaja”. To znači da u toj
publikaciji moraju učestvovati autori iz drugih zemalja, osim iz zemlje gde je
publikacija izdata. Takođe, očekuje se da citirani autori budu takođe iz meduna-
rodnog okruženja. Posebno je značajno ako su članovi redakcije i tecenzenti iz
drugih zemalja. Korisno je i ako su istraživanja koja se objavljuju sprovedena u
drugim zemljama, ili su medunarodna po prirodi, makar autori bih domaći.
Takođe, vrlo je česta praksa malih zemalja.da izdaju časopise na stranom jeziku,
najčešće engleskom, ili da bar neki radovi budu na stranoni jeziku.
Kasnije će o tome biti više reči (u odeljku o kvantitativnom ocenjivanju
naučnog rada), ali sada treba naglasiti da su američka i uopšte anglosaksonska
publicistika apsolutno dominantni. To ima uglavnom pogubne posledice na autore
iz ne-engleskih i malih sredina i nije poznat neki dobar i uhodan način da se taj
problem prevazide. Kao što je gore rečeno, objavljivanje domaćih publikacija na
stranom jeziku je jedan od najtežih načina ,,da se izađe u svet”. Nisu svi izdavači
spremni na takvu avanturu. Međutim, za naučne publikacije je vrlo korisno da u
minimalnom pogledu imaju bihliografske elemente na nekom od svetskih jezika,
najbolje engleskom. To se prvenstveno odnosi na rezimea, ključne reči i afdijacije
autora, ali i na organizaciju radova, način prezentiranja, citiranja itd.
Nije bez značaja tradicija, odnosno dužina izlaženja časopisa. Stari i poznati
časopisi će biti iakše uvršćeni u bibliografske indekse i baze, a novoosnovanim
treba vremena. Od značaja je i naučni rcnome glavnog urednika i ostalih članova
redakcije, kao i renome izdavača. U svemu tome treba imati u vidu da se obično
smatra da postoji vrlo mali broj časopisa koji pokrivaju samu suštinu pojedinih
naučnih oblasti. Bolje rečeno, naučne oblasti su već uveliko izdiferencirane i
omeđene i za svaku je obično ključan jedan, ili eventualno par časopisa. To je
pogotovo slučaj u malim zemljama: sociologija, psihologija, pedagogija, etnologi-
ja, lingvistika itd. moraju imati jedan časopis i vrlo je čest slučaj u nacionabim
publicistikama da je taj jedan časopis centralni i/ili jedini. Novi časopisi nastaju
kada se osnovne naučne oblasti diversifikuju, tj. kada broj radova u podoblastima
postane značajan, odnosno kad se nove oblasti pojave na sceni. Ostali časopisi
mogu da pokrivaju neke posebne podoblasti, ili posebne pristupe istraživanjima,
ili su prosto jedan demokratski način da se uzdrmaju „naučni establišmenti” i
zatvoreni naučni krugovi.
Neki od gore navedenih kriterijuma, ali prilagođeni toj posebnoj nameni,
primcnjuju se i na ocenjivanje naučnih skupova. Redovni skupovi, kao što su na
primer godišnji skupovi koje organizuju naučna udruženja ili institiicije, nesum-
njivo se mogu nazvati naučnim skupovima. Naravno, prelpostavlja se da postoji
organizaeioni odbor, da su defmisani „okrugii stolovi”, „simpozijumi”, „radi-
onice” i drugi obhci rada skupova i njihovi rukovodioci/predsedavajući/modera-
tori. Prijavljivanje radova, kao i način njihovog odabira moraju biti defmisani
(najbolje je ako izbor radova vrše recenzenti). Očekuje se da „knjiga rezimea”
bude gotova pre početka skupa, a izdavanje zbom ika radova nakon skupa je više
nego poželjno. Naravno, danas je sve češća praksa da svaki takav skup ima svoju
prezentaciju na Interaetu. Prigodne konferencije koje se organizuju tematski
moraju poštovati ista pravila; od toga ko je organizator i ko su učesnici, do zbor-
nika radova.
U novije vreme, sarazvojem bibliom etrije i scijentometrije, vrlo je jak priti-
sak da se naučne publikacije objektivno ocenjuju na osnovu kvantitativnih poka-
zatelja. Zasada je najviše korišćeni pokazatelj citiranost, odnosno tzv. faktor
uticajnosti naučne publikacije. Zbog značaja objektivnih pokazatelja njima će
kasnije biti posvećeno posebno pogiavlje.

2. Vrste radova

Objavljeni naučni rad jc rad koji je objavljen u naučnoj publikaciji (videti

prethodno poglavlje). Videli smo načine definisanja naučne publikacije i neke od
problema i nejasnoća u tom pogledu. Medutim, ne tretira se baš sve što je objav-
Ijeno u naučnim publikacijama, i ne baš uvek, kao naučni rad. Pogledajmo jednu
moguću podelu naučnih radova.
Knjige
Knjige, monografije, udžbenici, diplomski radovi, magistarski teze i doktor-
ske disertacije.
Poglavlie u monografiii
Poglavlje u monografiji ima sličnu struktm'u kao članak u časopisu, ali je
obimnije i posvećeno je tematici kojom se monografija bavi.
Clanci
Članci mogu biti objavljeni u naučnom časopisu, u zborniku radova, u elek-
tronskom časopisu, na Intemetu ili u drugoj sličnoj naučnoj publikaciji.
 • Originalni ili izvorni naučni ra d ]t članak u kome su prezentirani nala-
zi originalnog naučnog istraživanja. Od takvog rada se zahteva da ima pri-
lično precizno defmisan foiTnat i organizaciju sadržaja (o čeniu će kasnije
biti više reči u odeljku o delovima i strukturi istraživačkih izveštaja).
Metodologija koja je korišćena mora biti tačno i detaljno prikazana kako
bi se nalazi mogli ponoviti i/ili proveriti.
• Pregledni ra d je članak u kome se ne iznose rezultati nekog pojedi-
načnog istraživanja, nego se vrši „pregled” neke oblasti, ili pregled više
dosadašnjih istraživanja, sa neophodnim generalizacijama i taksonomijom
dosadašnjih saznanja.
• Prethodno saopštenje, sHčno originalnom radu, prikazuje rezuhate ne-
kog istraživanja. Međutim, od rada se ne zahteva da pruži konačnu i opštu
interpretaciju nalaza, nego samo preliminarne nalaze. Često se takvi rado-
vi pišu ako su nalazi do kojih se došlo posebno zanimljivi, ili ako se radi o
nekom većem projektu čiji delovi se objavljuju sukcesivno kako nastaju,
dok se sve ne završi i dok se ne pristupi pisanju konačnih izveštaja.
Nekada se za ovu vrstu članka može sresti i naziv istraživački izve-
štaj. U smislu u kojem je gore opisano, takvi radovi jesu istraživački izve-
štaji, mcdutim preliminami. U ovoj knjizi smo, radi jednostavnosti, istraži-
vačkim izveštajem nazivali svako saopštenje u kome se prezenliraju rezul-
tati nekog empirijskog socijalnog istraživanja, pa i originalne ili izvome
radove.
• Stručni rad ne sadrži izveštaj o istraživanju, nego najčešće primenu
rezultata nekog istraživanja. Stručni rad može da prezentira neku studiju
slučaja, iskustvo iz prakse, a sve u cilju ilustracije rezultata primene neke
metode. Nije uvek lako razlikovati stručni rad od naučnog rada. Ono što je
u nekim oblastima stmčni rad, u drugim oblastima bi se smatralo naučnim,
i obratno. Nekada se smalra da su stmčni radovi oni koji ne sadrže spisak
literature, ali to može biti samo jedan od kriterijuma.
• Prikazi knjiga se vrlo često objavljuju u naučnim časopisima. Takođe,
mogu se naći medu citiranim radovima. Unatoč tome, oni se najčešće ne
tretiraju kao naučni radovi, ne unose se u indekse i bibliografske baze i ne
računaju kao „objavljeni radovi” u pokazateljima produkcije i uticajnosti.
To što se pojavljuju kao citirani radovi nije slučajno; u zavisnosti od inspi-
rativnosti knjige, kao i inspirisanosti autora prikaza, neki prikazi knjige u
suštini zaslužuju status preglednog rada.
• Prevodi su takode jedna vrsta radova koji mogu biti citirani, ali se ne
računaju kao objavljeni radovi. Ovde se misli na prevode članaka iz stra-
nih časopisa, a koji su prevedeni i objavljeni zato što uredništvo i javnost
smatraju da su posebno aktuelni i posebno značajni.
Saonštenia
• Saopštenja na naiičnim skupovima su veoma česta vrsta naučnog rada.
Medutim, većina indeksa i baza ih ne evidentira, osim ako ne budu objav-
Ijena u zborniku radova sa dotičnog skupa (kada se tretiraju kao članak).
 Tako se, kao kod prikaza knjiga, može desiti da saopštenje bude citirano, a
da ne bude tretirano kao naučni rad.
• Posterprezentaclje su posebna vrsta saopštenja na naučnom skupu. To
je moderan način diseminacije naučne produkcije i danas se često tretira
kao posebna vrsta naučnog rada. U svakom slučaju, zbog načina i sred-
stava prezentacije, poster prezentacije jesu različite od klasičnih saopšte-
nja (poster prezentacija može biti pročitana na skupu, ali i ne mora). Da-
nas se mogu videti i multimedijalne prezentacije sa koriščenjem računar-
skih, audio i vizuehiih sredstava, čime se pridev „poster” čini zastarelim.
Posebne vrste radova
• Odrednice u enciklopedijama i rečnicima tipa tezaunisa. To su retki i
specifični naučni radovi i po tradiciji su „rezervisani” za istaknute autore u
svojim oblastima.
• „Elektronski radovi”, posebno na Intemetu i u hipertckst formatu. Svi
prethodno nabrojani radovi mogu imati ih imaju svoju „elektronsku” ver-
ziju. Pod elektronskom verzijom podrazumevamo da budu izdati na medi-
jumu koji je čitljiv na računaru; npr. na disketama ili CD-ROMu, ili da
budu instalirani na nekom mrežnom mestu. Kad se radi o Intemetu (ah ne
samo o njemu), dugački tekstovi, a posebno knjige, vrlo su teško dostupni.
Treba znati da se prostim prenosom na računarski medijum ne postiže
puno iskorišćenje mogućnosti računara, nego je najbolje kada se tekst
transfomiiše u neku vrstu hipcrteksta.
• U naučnim časopisima se mogu sresti još i; uvodnici (eng. editoriai),
osvrti, gledišta i mišljenja, pisma urednicima, izvcštaji sa održanih nauč-
nih skupova, cseji, in memoriam i sl.

Pilanje dužine članka. - Nema jednostavnog odgovora na ovo pitanje.

Dužina istraživačkog izveštaja se određuje od slučaja do slučaja, ali ne treba
mishti da to znači da istraživač ima punu slobodu u tom pogledu. Dužinu izvešta-
ja po pravilu odreduju drugi: mentor, mednici ili vođa projekta. Istraživači često
osećaju da je ograničavanje dužine rada frustrirajuće ograničavanje njihove slo-
bode, izražajnosti i stvaralaštva. To u mnogim slučajevima može biti tačno.
Medutim, ograničavanjem dužine rada se veoma efikasno upravlja strukturom,
sadržajem i „operacionalizacijom” naučnog rada, što, sa svoje strane, doprinosi
njegovoj čitljivosti i informativnosti. Ako, na primer, voda projekta ograniči
islraživačke izveštaje na 10 strana, to će istraživačima biti čvrst putokaz za konci-
piranje radova.
S drage strane, postoji ono što čini praksu i običaj, a što se može pročitati u
brojnim scijentometrijskim i bibliometrijskim istraživanjima. Ova istraživanja
pokazuju da su u prirodnim naukama i matematici članci vrlo kiatki (obično 5-10
strana). U društvenim naukama su članci obično duži (10-20 strana). Takođe,
empirijski izveštaji, prikazi knjiga, saopštenja na naučnim skupovima i sl. su
kraći od teorijskih radova. Uočeno je da je citiranost radova proporcionalna njiho-
voj dužini. Jedan od razloga te pojave je u tome što renomirani autori nemaju
ograničenje dužine rada. Možda zbog loga, a možda i zbog drugih razloga, postoji
stabilan trend ka povećanju dužine radova, često praćen i smanjenjem broja
radova u časopisima.
Navedena dužina radova se odnosi na štampane strane. U zavisnosti od
fomiata publikacije i drugih faktora, štampana strana može sadržavati i dve tzv.
daktilografske strane (1800 znakova). Bibhometrijska istraživanja, takode, često
ne vode računa o tomc da H radovi sadrže grafikone, tabele i fonnule, što u
izvesnim disciphnama može znatno produžavati radove.
Sve u svemu, kao ideja vodilja, može se sugerisati istraživaču u oblasti
nauka o ponašanju da planira svoj istraživački izveštaj u okviru 15 štam panih
straiia, odnosno 20-30 daktilografskih strana.

B. Merenje naučne produkcije

Merenje ili metrika naučne produkcije je jedna od važnih tema sa kojom se

istraživač ponašanja, kao potencijalni autor, mora suočiti. Treba odmah biti
svestan da je pitanje merenja naučnih radova vrlo diskutabihio. Neki smatraju, ne
bez razloga, da će metrika u naučnoj produkciji uvek gmizati po samoj površini i
površnosti, baveći se gabaritima (kao vulgarnoj varijanti kvantiteta). Blisko nam
je i to da merenje naučne produkcije predstavlja još jedan impuls ka funkcionah-
zaciji naučnog rada i njegove redukcijc na robu.
Merenjem naučne produkcije bave se bibhometrija i scijentometrija (nauko-
metrija). Prva to radi sa ciljem anahze bibhotečkog rada, a druga sa ciljem anahze
naučnog rada. Scijentometrijski nalazi predstavljaju objektivnu analizu nauke
same i imaju saznajnu i metodološku težinu. Dok se scijentometrija primenjuje na
lokahiom i ograničenom nivou, ona je oruđe radoznahh istraživača i takvi
rezuhati metrijske anaHze naučnog rada relevantni su sa istraživačkog stanovišta.
Nasuprot tome, ideja o naukometrijskoj analizi kao instrumentu za evaluaciju
nauaiog rada na nacionalnom nivou, promociju i finansiranje projekata i pojedi-
naca i dmštvenu verifikaciju uopšte, zahteva da se ona (anahza) obavlja na glo-
balnom nivou, za celokupnu produkciju u svim oblastima.
Danas se mogu uočiti izvcsne pravihiosti u poglcdu toga koliko se prihvata-
ju i primenjuju scijcntometrijska pravila. Što je naučna oblast bliža prirodnim,
matematičkim, tehničkim i primenjcnim naukama, to se veći značaj pridaje
scijentometrijskim kvantitativnim pokazateljima za evaluaciju naučne produkcije
pojedinaca, časopisa i ustanova. Obratno, što je naučna oblast bliža „društvu,
kulturi i umctnosti”, to su otpori, kritike i nepoverenje prema scijentometrijskoj
evaluaciji brojniji. Druga pravilnost se odnosi na to da velike naučne zajednice,
prvenstveno u Anierici i u razvijenim zapadnim zemljama, teže da što više ob-
jektiviziraju occnjivanje naučne produkcije, kako putem recenzija, tako i putem
kvantitativnih pokazatelja, đok je u malim naučnim sredinama to prepušteno
slučaju.
Istraživač ponašanja se ne bavi evaluacijom naučnih radova i, na prvi
pogled, nije dužan da poznaje problematiku te evaluacije i njenu metodologiju.
Medutim, to nije tako. Kad istraživanje bude gotovo, kad podaci budu prikupljeni
i obrađeni, dolazi vreme naučne proizvodnje, odnosno pisanja raznih elaborata,
preliminamih istraživačkih izveštaja, naučnih radova, monografija, naučnih
saopštenja itd. I naravno, njihovog objavljivanja. Kada se istraživač promeni u
autora, onda postaju važni svi aspekti i kontingencije objavljivanja naučnih
radova i vrednovanja naučnog rada.
Ne samo to, u prvoj fazi istraživanja - pregledu literature - samom istraži-
vaču će biti vrlo korisno da zna koji radovi imaju veću citiranost, koji su autori
eminentni, ih koji su časopisi uticajni, kako bi bio siguran da prati glavnu maticu
u svetu istraživanja. Zbog toga, diskusija o kvalitativnim i kvantitativnim nači-
nima ocenjivanja naučne produkcije zaslužuje da joj se posveti par sledećih
poglavlja.
Odmah na početku treba reći da je nauka uopšte, a naučna produkcija
specifično, emincntno društvena delatnost. Ona se obavija u realnom društvu i u
reahiom vremenu. Ma kako ko doživljavao i defmisao ciljeve nauke, ako želi da
objavi svoj rad, on ulazi u niz društvenih odnosa. Ti odnosi su realni, imaju
različite učesnike koji imaju različite ciljeve i, kao svaka društvena rabota, ne
mogu izbeći protivrečnostima (kao što su sukobi interesa). Čak i ako se naučni
ciljevi (na prvom mestu istina) postave veoma visoko u prioritetima redakcije
nekog naučnog časopisa, oni neće biti jedini ciljevi i prioriteti o kojima urednici
vode računa. Njima će biti važno da „ovog puta bude više stranih autora”, ili
„ovog pula časopis mora da izađe na vreme”, ili „ovog puta više prostora treba
dati humanistima” itd. Taj fakt značajno komplikuje primami problem, koji je
težak sam po scbi - kako prepoznati dobar rad.
Dragi aspekt scijentometrije je istraživački. Nauka i naučna dclatnost su
takode vrsta dmštvenog ponašanja koje vredi istraživati kao i svako drugo.
Ponašanje naučne zajednice, merenje rezultata njenog rada, zakonitosti u razvoju
i dnige slične pojave su zanimljive same po sebi i slične su mnogim drugim
oblastiraa društvenog života.
Kako prepoznati dobar rad? Postoje dva osnovna pristupa evaluaciji
kvaliteta naučnog rada. Neće biti veliko iznenađenje što su ta dva načina -
kvalitativni i kvantitativni - potpuno analogni pristupima istraživanju Ijudskog
ponašanja. Ocenjivanje kvaliteta naučnog rada nije ništa drugo do problematika
merenja kojoj je u ovoj knjizi posvećeno dosta pažnje. Ovde ćemo obraditi
recenzije i jedan broj kvantitativnih pokazatelja kao osnovne tehnike, jer su te
tehnike ugrađene u običajnu i zakonsku regulativu. Medutim, u istraživačke svrhe
se za ocenjivanje naučnog rada mogu koristiti praktično sve metode i telmike koje
su opisane u ovoj knjizi: analiza sadržaja, ispitivanje stavova čitalaca, meta-
analiza itd.
 1. Kvalitativni pol<azatelji naučnih radova - recenzije

Recenzije su kvalitativni način ocenjivanja vrednosti naučne produkcije. U

osnovi se radi o tome da neki naučni tekst, da bi bio objavljen, mora biti pod-
vrgnut pregledu jednog ili više recenzenata ili referenata. Recenzente obično
odreduje izdavač, odnosno redakcijski kolegijum naučne publikacije, odnosno
urednik, ili neko drugi, a u zavisnosti od prakse. U dobro organizovanim naučnim
sredinama, naučni časopisi predstavljaju osnov diseminacije (širenja) naučnog
znanja, odnosno osnov naučne produkcije. Zbog toga je prirodno da one nose
glavni naučni, stručni i društveni teret odgovornosti za kvalitet i napredak nauke.
U svakoj redakciji bi trebala postojati praksa da svi članovi pročitaju sve
primljene radove i daju svoja mišljenja. Taj korak omogućuje da se u prvom
koraku eliminišu tekstovi koji ne odgovaraju po tematici ili imaju ozbiljne manj-
kavosti u pogledu jezika, etičnosti i drugog. Ova praksa se ne poštuje uvek, ili se
poštuje delimično. U svakom slučaju, nakon uredničkog čitanja, tekstovi se
prosleđuju na ocenu recenzentima.
Smatra se da je prvi korak u obezbeđivanju kvaliteta objavljenih radova
recenziranje pre objavljivanja. Da bi samo recenziranje bilo delotvomo, ono mora
biti pažljivo i striktno organizovano. Kao prvo, najvažnije je pravilno odabrati
recenzente. Oni moraju biti naučno i stnično kvalifikovani za oblast iz koje su
radovi koje evaluiraju. Osim toga, oni moraju biti i moralno kvalifikovani kako bi
se izbegao uticaj nenaučnih kriterijuma na izbor članaka.
Kako se to može postići? Očigledno je da se to lakše postiže u vehkim
naučnim sredinama gde postoji mnogo istraživača,i gde je lakše napraviti izbor, a
da je to vrlo teško u malim sredinama gde u pojedinim naučnim oblastima deluje
mali broj pojedinaca koji se, pri tome, medusobno poznaju. Bilo kako bilo,
postoje razne „poštapalice” kako se formalno uređuje izbor recenzenata.
Na primer, često se poštuje pravilo da recenzent ima jednako ili više naučno
iii nastavno zvanje od autora. U našim časopisima se posebno insistira na tom
pravilu. U objektivnom smislu, prednost bi svakako trebalo dati tome da recen-
zent ima dovoljno objavljenih radova iz iste (ili bar slične) oblasti, a još najbolje
je da su ti radovi citirani i da zadovoljavaju druge kvantitativne kriterijume.
Drugo pravilo, koje je sračunato na to da se izbegne dejstvo nenaučnih
činilaca i konflikta interesa na odluku o objavljivanju je da se recenzija obavlja
dvostnilco ili bar jednostruico slepo. U dvostruko slepoj recenziji niti recenzent
zna čiji je rad koji pregleda (tj. ko je, odnosno ko su autori), niti autori znaju ko
im recenzira rad. Jednostruko slepa recenzija je ona u kojoj samo autori ne znaju
ko im je recenzent, dok recenzent zna ko su autori. U proseku, slepe recenzije
daju bolje rezultate od transparentnih, kod kojih je identitet svih učesnika poznat.
Što se tiče broja recenzenata, pravila i praksa u tom pogledu variraju. Kao
što se može pomisliti, u malim naučnim sredinama se broj recenzenata mora
saobraziti raspoloživom fondu istraživača. Međutim, bez obzira na to, retko se i u
svetu angažuje više od dva recenzenta, a često se (posebno u tehničkim i prirod-
nim naukama) određuje samo jedan recenzent, a drugi se angažuje samo ako prvi
ne da povoljno mišljenje.
Pošto smo nekoliko puta spomenuli male sredine kao „problematične” u
pogledu organizacije recenziranja, treba reći da objektivna analiza kvalitativne
evaluacije putem recenziranja pokazuje neke razočaravajuće rezultate, čak i u
vodećim naučnim zemljama. Na primer, recenzenti su često autori koji malo
objavljuju, ili koji su malo citirani, što znači da je njihova kompetencija u pitanju.
Osim toga, kao i kod nas, svuda se sreće praksa da se autorima ne samo
dozvoljava, nego im se i traži da sami predlože recenzente.
Osim toga, pokazalo se da medu časopisima, redakcijama i recenzentima
postoje „visokoproduktivni” i „elitisti”. Oni prvi su obično slabije rangirani po
naučnom doprinosu, ali lakše daju pozitivne rcccnzije i „puštaju” više članaka jer
su manje kritični. Elitisti su obično visoko scijentometrijski rangirani i vrlo
kritični prema radovima koje dobijaju na pregled, što znači da se preko njih
objavljuje manje radova. Oni, takode, često odbijaju da prime rad na recenziju jer
ocenjuju da neće imati dovoljno vremena za pregled, ili smatraju da nisu dovoljno
kompetentni za dotičnu temu. Kada je reč o urednicima, oni će pre posegnuti za
„visokoproduktivnim” recenzentima, nego za „elitistima . Kada je reč o autorima,
oni će pre ponuditi rad nekoj visokoproduktivnoj redakciji. Takav nalaz upućuje
na jedan zabavan zaključak da je naučna produkcija u masi, sistematski, „visoko
produktivna” pre nego „elitna”.
Analogno ovoj taksonomiji, kod recenzenata se smatra da postoje „treneri”
i „kritičari”. „Treneri” nastoje da daju što više sugestija, saveta i zapažanja sa
ciljem da autori poprave dotični rad, ili bar naredne radove. „Trenerima” kao da
je važno da putem detaljnih recenzija obuče naučne kadrove za pisanje radova.
Nasuprot tome, „kritičari” malo savetuju, zaključci su im šturi i nemilosrdni i ne
vode računa o tome kako će autori primiti i iskoristiti recenziju.
Postoji, takode, i prilično česta praksa da recenzenti daju radove na recen-
ziju svojim mlađim saradnicima u potpunosti, ili sa zadatkom da provere neke
materijalne činjenice. Unatoč mogućnosti da se u velikim sredinama izvrši dobar
izbor recenzenata, praksaje pokazala da su recenzcnti najčešće iz najbliže okoline
časopisa; sa istog univerziteta ih iz istog grada. Zbog toga se dešava da se svi
međusobno poznaju i da u stvaraosti ne postoji slepa recenzija, mada je formalno
takva. Takode, vrlo česta praksa, svuda u svetu, jeste da se recenzenti nikako ili
malo plaćaju. Neki recenzenti na ovo pristaju zato što smatraju da je to brz način
da se upoznaju sa novim razvojem u svojoj i srodnim oblastima. Drugi posmatraju
to kao stvar prestiža, a treći kao društvenu i moralnu obavezu. Spomenuto prvo
pravilo kompetencije, da recenzenti imaju više zvanje od autora, ne poštuje se
dosledno, pogotovo ako je recenzija slepa. K od nekih redakcija i urednika čak
postoji takva pohtika - mlađi referenti su lakše dostupni i spremniji za saradnju.
Sve što je rečeno o recenzentima važi i za članove komisija koji vode i
ocenjuju izradu diplomskih, magistarskih, doktorskih i drugih shčnih edukativnih
radova.
 Međutim, sve te problematične karakteristike recenziranja ne moraju same
po sebi značiti da su rezultati loši, odnosno da je kvalitet prihvaćenih radova loš.
Mlađi recenzenti mogu biti motivisaniji i pedantniji od starijih, „visokoproduk-
tivni” recenzenti više ohrabruju mlade autore (odnosno, manje ih obeshrabruju
odbijanjem radova) itd.
Veći je problem niske pouzdanosti recenziranja. To je suštinski metodološki
problem, karakterističan za sve kvalitativne metodologije. Postoje čak izveštaji
napravljeni na osnovu 3000 radova iz oblasti nauka o ponašanju koji su bili eva-
luirani od strane dva ili više recenzenata i gde je pouzdanost između ocenjivača
iznosila svega 0,2 1 .
U ovom tekstu smo (u poglavlju o teoriji nierenja) naveli dva pristupa oko
primene statistike: recenzentski i praktični. ,,Recenzentski” pristupje iskristalisan
u praksi (posebno američkoj), verovatno kao pokušaj da se ocenjivanje radova
učini što objektivnijim. U tom smislu, striktno poštovanje statističkih pravila oko
nivoa merenja i statsitičkih tehnika izgleda idealno kao kriterijum za ocenjivanje.
Takve i mnoge druge recenzentske strategije se odnose na validnost recenziranja
- odnosno na pitanje da li recenzentsko mišljenje stvamo otkriva šta je dobar
naučni rad. Validnost recenziranja, tj. utvrdivanje opštih kriterijuma šta je dobar
naučni rad i šta su zadaci i ciljevi naučnih radova je, izgleda, još problematičnije
od pitanja relijabihiosti.
Neki fatalistički orijentisani autori smatraju da je niska pouzdanost upravo
dobra jer kompenzira nisku (neki čak kažu nepostojeću) validnost. Naime, po
ciničnom mišljenju tih autora, zbog niske pouzdanosti mogu da budu objavljeni
čak i dobri radovi. Drugi autori kažu da niska použdanost možc da potiče od toga
što urednici namemo angažuju recenzente iz različitih oblasti, različitih pristupa
i orijentacija, kako bi urednici stekli što bolji uvid u radove.
Unatoč našem uverenju da standardizovano, objektivno ocenjivanje ima
generalnu prednost nad kvalitativnim, razum nalaže da se do daljeg, dok se ne
dobiju konačni odgovori (ako se dobiju), koriste različite i sve raspoložive meto-
de za ocenjivanje. Scijentometrijski i bibliometrijski pristup kvantitativnih poka-
zatelja je, u tom smislu, jedna od tih različitih metoda koja se obavezno mora
dodati recenziranju.

2. Kvalitativni pol<azatelJi naučnih časopisa

Ocenjivanje naučiie publicistike je uvek „simetrično”, ocenjuju se i oni koji

pišu i oni koji objavljuju (štampaju). Prethodni odeljak je posvećen jednom
kvalitativnom načinu ocenjivanja napisanog - recenzijama.
Simetrični pamjak recenzija, u oblasti kvalitativne ocene redakcija naučnih
časopisa (mada se mogu ocenjivati i naučne redakcije velikih izdavača, radija,
televizije i sL), sastoji se u rangiranju časopisa po reputaciji, ugledu, odnosno
uticajnosti. Ovo rangiranje mogu da vrše ekspcrti, pomoću anketnih listića, a
izbor eksperata može da bude šarolik - nastavnici, istraživači, akademici i dmgi.
 3. Kvantitativno ocenjivanje naučnog rada

Prođuktivnost. - Prvi kvantitativni pokazatelj, koji se u osnovnom obliku

počeo koristiti pre razvoja scijentometrije i bibliometrije, jeste svakako produk-
tivnost. Produktivnost je prosto broj objavljenih naučnih radova (svih vrsta). Taj
broj se može izračunavati za pojedinca, za projekt (grupu autora), za ustanovu
(npr. institut), pa zatim za naučnu oblast itd. To se u početku, a kod nas i dan
danas, radilo „ručno”. Kod nas se oficijelno primenjuje izračunavanje pokazatelja
produktivnosti u cilju vrednovanja naučnog rada za potrebe praćenja rada na
projektima koje fmansira ministarstvo nauke i njihovog fmansiranja, kao i za
potrebe izbora u naučna zvanja istraživača u naučnoistraživačkim ustanovama.
Autori sastavljaju spisak svojih objavljenih radova za protekli period, pa se radovi
klasifikuju po vrsti, publikaciji i mestu objavljivanja i boduju. Sistem bodovanja
propisuje Ministarstvo naukc. Tako prikupljeni bodovi se mogu kumulirati po
projektima, institucijama i oblastima. Naravno, u najboljoj varijanti, podaci o
produktivnosti se vade iz jedne ili više računarskih bibliografskih baza.
Pitanja koja su važna kod izračunavanja produktivnosti se odnose, kao prvc, na
definiciju .objavljenog rada’ . 0 zasebnonn poglavlju o toj temi je spomenuto da se izvesni
radovi po običaju ne tretiraju kao naučni rad (kao npr. prevodi, in memoriam, prikazi knjiga I
sl.), ali se mogu nači cllirani u nekom naučnom radu. To znači da je-neki drugi autor vrlo
ozbiljno shvatio informacije iznesene u takvom radu. Zato se može desiti da autor po krite-
rijumu citiranostl (v. kasnije) ima bolji uradak nego po kriterijumu produktivnosti. Praksa,
takva kakva je, postavlja restrikcije u pogledu toga koji se radovi ubrajaju u objavljene
naučne radove i to treba poznavatl.
Sledeće pitanje se postavlja kad jedan rad potplše više autora, što je vrlo čest slučaj.
Praksa je uglavnom takva da se taj rad broji sv a k o m autoru . Međutim, objektivno, takav po-
stupak je pristrasan i oštećuje autore koji sami napišu rad. Poseban je problem kada se mo-
ra izračunati produkcija za jednu naučnu ustanovu. U tom slučaju bi pet autora koji zajedno
napišu pet članaka doneli svojoj ustanovi produkclju od 25 radova, što je svakako pogrešno.
Rešenje se traži u tzv. frak cio n o j p rodukciji. Najjednostavniji obračun frakcione pro-
dukcije u gom jem primem sa pet autora bi bio da svaki autor dobije 1/5=0,20 radova. Tako
bi obračun i za autore i za ustanovu bio korektan. Medutim, čest je slučaj da je redosled
autora napravljen prema nekom kriterijumu. Ako se kriterijum za poredak bazira na dopri-
nosu koji je autor imao u radu, onda nije pravedno da se bodovi ravnopravno dele svim
autorima. Zato se u frakcionoj produkciji mogu nejednako delitl bodovi, recimo tako što će
se posebno ,nagraditi" prvi autor.

Uobičajeno je da prvi autor ima poscban značaj, jer se i u pravilima citiranja

obično preporučuje da se koristi oblik Fajgelj i sar. (od saradnici) ili Fajgelj et al.
(od lat. et alii ili et alteri). Zato se u pitanjima frakcione kvantifikacije produkcije
obično on favorizuje, te se, znajući to, u okviru naučnih timova i projekata vodi
računa o tome ko će biti prvi autor u objavljenim radovima.
Citiranost. - Citiranost naučnog rada je broj drugih naučnih radova u koji-
ma je on naveden u spisku literature. Naravno, tokom vremena se citiranost
menja, pa se uzima broj citiranja do đatog trenutka, ili eventualno, u neke poseb-
ne svrhe, broj citiranja u nekoni zadatom vremenskom periodu.
Broj citata se može sabrati za jednog autora, za časopis, za naučno-
istraživačku ustanovu iz koje dolaze citirani autori, za projekt, naučnu oblast itd.
Postoje razna mišljenja i razne nijanse o tome šta zapravo predstavlja citiranost.
Čini se da, na prvom mestu, citiranost znači čitanost. Medutim, neki autori sma-
traju da citiranost predstavlja vidljivost. Časopisi koji se više citiraju su vidljiviji,
odnosno dostupniji, renomiraniji itd., pa je, automatski, objavljivanje u njima
korisnije i upotrebljivije. Takode, mnogi iza citiranosti vide uticajnost, odnosno
renome. Sve to pojedinačno može, na svoj način, biti tačno, a može važiti i sve
zajedno.
Citiranost autora se mora različito tumačiti od citiranosti koja se računa za časopise.
Citiranost autora ukazuje na njegove lične kvalitete i kvalitete njegovog naučnog doprinosa.
Citiranost časopisa je, međutim, suma velikog broja činilaca koji su se stekli i doveli do toga
da radovi objavljeni u tom časopisu budu citirani. Zatim, broj citata za jednog autora je
mnogo manji nego broj citata za jedan časopis, pa je i pouzdanost statističkih zaključaka
manja (ako se koristi statistička anallza) - sa statističkog, ali i zdravorazumskog gledišta.
Citiranost se sve više koristi za ocenjivanje naučne publicistike. U tom pogledu, ni
naš zakonodavac nije propustio taj trend, ali nažalost nisu zadovoljene prelpostavke da bi
se to valjano sprovelo. Da bi se citiranost mogla valjano računati potrebno je imatl citatne
bibliografske baze (v.). Citatne baze su računarske baze koje sadržavaju kompletne refe-
rence svih radova iz grupe naučnih oblasti, sa spiskom koriščene literature iz svakog rada.
Upravo to, spiskovi lilerature, služe za izračunavanje citiranosti. Koristeči spiskove
literature iz svakog sadržanog rada, softver baze podataka može za svaki obuhvačenl nauč-
ni rad prikazati u kojim radovima je citiran. Softver to može objediniti za autora (ili autore)
tog rada, a u zavisnosti od mogućnosti baze citiranost se niože izračunati za časopise ili
naučne ustanove. Kada kažemo da to zavisi od baze podataka, mislimo na to da baza, na
primer, mora da sadrži podatke o afilijaciji autora, ako se želi izračunatl citiranost autora iz
jedne ustanove.
Kod nas se citiranost uzima u obzir prilikom izbora istraživača u naučna zvanja.
Medutim, nije ponudena nikakva metodologija niti pomoć u tom poslu, pa autori saml traže
gde su citirani. No, bez obzira na to, mogućnosti koje nudi metrička analiza sadržaja
naučnih radova otvaraju mnoga vrata za komparacije, studije trcndova ili „mode” (tako-
zvanog nevldljivog univerziteta), a nikako ne treba odbaciti ni ideju društvene verifikacije
onoga što je dcbro. U ovom poslu scijentometrija kao startnu osnovu za analizu traži
masovni obuhvat tekstova, formiranje bibliografskih baza, programa za korektum i slično. To
je nemoguće bez institucionalne saradnje izdavača, zakonske regulative, ali iznad i pre
svega - sistematske podrške države.

Neki osnovni kvantitalivni pokazatclji.-Posloji priličan broj istraživanja

koja su se bavila scijentometrijskom analizom naučne produkcije. Neka su se
služila ručnom obradom naučnih publikacija i naučnih radova, a neka su koristila
raspoložive računarske bibliografske baze. Evo nekoliko nalaza:
• Prosečni broj referenci po članku objavljenom u naučnom časopisu je
22. Medutim, različita istraživanja su dala različite rezultate, a utvrdene su
i velike razlike izmedu naučnih oblasti. Izgleda da je stopa citiranja naj-
 manja u tehničkim i niatematičkim naukama (5-6), u biologiji oko 8-10, a
u psihologiji 23-35.
• Učešće samocitata (kada autor citira radove u kojima je sam autor ili
koautor) kreće se u rasponu od 10-30%.
• U pogledu aktuelnosti citata, utvrdeno je da oko 43% referenci potiče
iz zadnjih 5 godina.
• Novije analize pokazuju da oko 150 časopisa u svetu pokrivaju oko
50% primljenih citata i oko 1/4 onoga što je objavljeno. Pokazano je
takode da „tvrdo jezgro” od oko 2000 časopisa u svetu pokriva oko 85%
objavljenih članaka i prima oko 95% citata.
F aktor uticajnosti. - Impactfactor, odnosno faktor uticajnosti, je kvantita-
tivni pokazatelj koga je prvi put predložio Garfield 1955. godine. On se obično
primenjuje na časopise i u tom slučaju se naziva Joumal Impact Factor (JIF). Na
potpuno isti način se može izračunati i impakt faktor za autore, autorske timove
ili ustanove, ali je ta mera u suštini različita i manje pouzdana od JIF. Kako se
izračunava impakt faktor? U osnovi, to je odnos broja citata prema broju objavlje-
nih radova u nekom časopisu. Po izvornoj formuli, faktor uticajnosti nekog časo-
pisa za 2004. godinu se računa na sledcći način. Neka je broj citata tokoni 2004.
godine za članke objavljene tokom prethodne dve godine;

C2002 ~ ^2003 ~ 20; Cjtjoi + C2003 = 1 0 0 [84]

i neka je broj ukupno objavljenih originalnih naučnih radova (istraživačkih izve-
Staja) i preglednih radova (obično se broje samo te kategorije radova) u prethodne
dve godine:
^2002 = 20; Njuo, = 22; N2002 + N 2003 = 44, [85]
onda je faktor uticajnosti časopisa za 2004. godinu:

JIF = (C2002 + Cjooj) / (N2,„,2 + N2003) = 100/44 = 2,27. [86]

Vidi se da u osnovi faktora uticajnosti stoji citiranost radova. Postoje poku-
šaji i predlozi da se kao pcriod za izračunavanjc ne uzmu dve godine, nego samo
prethodna godina (za područja koja se brzo menjaju) ili duži periodi (sa ciljem da
se ocena učini pouzdanijom). Postoji i diskusija o tome šta da se broji; samo
značajni članci, ili i saopštenja, prikazi knjiga, komentan urednika i sl.
Za većinu časopisa predstavlja teškoću da dostignu faktor uticajnosti od
jedan, a faktori veći od dva ili tri pripadaju samo najcitiranijim časopisima.
Institut za naučne informacije (ISI) objavljuje nekoliko indeksa po kojima su rangirani
časopisi sadržani u bazama log instituta (npr. u SSCI, v,). Takođe, sve je češća praksa da
se objavljuju rang liste časopisa u okviru raznih udruženja i nacionalnih naučnih instituclja, a
u okviru ovih drugih i da se naučna politika definiše prema tim rang listama.
Posebno osetljiva tema je pokrenuta praksom da se autori ocenjuju prema impakt
faktoru časopisa u kojima objavljuju. Postoje kritike takve prakse. Kod nas postoji naizgled
slična, ali suštinski različita politika. Časopisi su podeljeni na internacionalne, nacionalne I
ostale (ministarstvo nauke pravi listu časopisa, ali ne na osnovu spomenutih kvantitativnih
 kriterijuma, nego pretežno na način koji je objašnjen u odeljku o tome šta su naučne publi-
kacije), pa se članak objavljen u međunarodnim časopisima boduje značajno više nego onaj
objavljen u domaćim časopisima, bez obzira na kvalitet ili citiranost. Dakle, umesto da se
časopisi vrednuju na neki, bilo kakav, objektivni način, svi međunarodni časopisi se progla-
šavaju boljim od domačih.

U međuvremenu, obavljen je značajan broj studija koje su imale za cilj da

ocene, u suštini, pouzdanost i validnost JIF. Evo nekih nalaza.
• Korišćenje JIF kao pokazatelja kvaliteta pojedinačnih članaka nije
opravdano je r citiranost članaka odreduje koliki će biti impakt faktor časo-
pisa, a ne obratno.
• JIF prikriva razlike u citiranosti članaka, jer je denionstrirano da 50%
najcitiranijih članaka nosi 90% citata jednom časopisu (distribucija citi-
ranosti je jako nakrivljena).
• JIF zavisi od oblasti i koncepcije časopisa: časopisi koji obuhvataju
široke oblasti u kojima se objavljuju tekuća istraživanja imaju visoke JIF
(ali kratak „životni vek” članaka).
• JIF slabo korelira sa citiranošću članaka, iz različitih razloga, ali oči-
gledno je da se dobro citirani članci ne objavljuju isključivo u uticajnim
časopisima.
• Medu pitanja koja kompromituju vrednost faktora uticajnosti spada i to
što se ne uzimaju u obzir samocitati, što se u objavljene članke uzimaju i
tekstovi koji se ne citiraju, zatim, duži članci skupljaju više citata, pre-
gledni radovi skupljaju više citata, češće objavljivani časopisi imaju više
samocitata u okvini časopisa itd.
• U najvećoj naučnoj publicistici, američkoj, postoji snažna pristrasnost
prema domaćim autorima. Npr. u Science Citation Index se vodi evi-
dencija o 3200 časopisa,” od oko 126.000 koliko se računa da ih ima u
svetu, s time da su medu evidentiranini pi-venstveno američki ili bar
časopisi na engleskom jeziku (npr. od moguća 524 nemačka časopisa iz
oblasti društvenih nauka, u SCI su obuhvaćena samo dva). Američki
autori su skloni da citiraju jedni druge i to nosi preko 50% citata u SCI,
što dovodi do toga da američki časopisi imaju 30% veći prosečni JIF od
svetskog proseka.
Sto se tiče knjiga, situacija je prilično zanimljiva. Po nekim pokazateljima,
oko 53% citata otpada na članke u časopisima, a oko 31% na knjige. Zapažen je i
trend da citiranost knjiga opada. Situacija u prirodnim, tehničkim i matematičkim
naukama je još drastičnija (na štetu knjiga), jer su tamo tekstovi generalno kratki,
a knjige retke (osim udžbenika). Anegdotski primer je sa Albertom Einsteinom
koji je doktorirao u svojoj 26. godini sa tezom pretežno matematičke prirode,
dužinejednog autorskog tabaka (tačnije 17 strana). Te iste godine, 1905., Einstein

Podaci suiz 1997. godinc.Zanimljivoje, međutim, današnjeznačajnoučešćeruskih

naučnih časopisa, poscbno iz malcmatike i prirodnih nauka.
je objavio pet kratkih ali fundanientalnih članaka u Annalen der Physik (od kojih
tri u istom tomu) u kojima je postavio temelje specijahie teorije relativnosti,
čestične teorije svetlosti (za koji je dobio Nobelovu nagradu) i Braunovog
kretanja. Ta tradicija kratkih tekstova u prirodnim naukama, zadržala se do danas.
Broj objavljenih i citiranih knjiga u društvenim i humanističkim naukama je veći
nego u prirodnim naukama.
Postoje istraživanja o povezanosti živolnog doba i produktivnosti. Neki
nalazi govore da se najznačajniji radovi objavljuju do 30. godine života. S druge
strane, ubedljivi su i nalazi da produktivnost zavisi od vremena provedenog u
naučnoj oblasti (i, podrazumeva se, uloženog truda) i njen porast je veoma strm u
okviru tog vremena.

4. Etička pravila pisanja

Postoje najmanje dve grupe pitanja koja se mogu nazvati etičkim ili moral-
nim. Prva grupa se odnosi na stil i manir pisanja, na ophođenje prema naučnim,
oponentima, na prilaz i tretman debata koje se vode u okviru naučnih publikacija.
Može se reći da su to eminentno etička pitanja jer se tiču opšteg duha i klime
naučnih komunikacija, slobode govora, i u krajnjoj liniji podsticajnosti naučnog
stvaralaštva. Pitanju stila će biti posvećena pažnja u okviru poglavlja o stilu
pisanja (odeljak o elementima stila).
Pitanja iz druge grupe su na granici između zakona i morala. Ona obuhvata-
ju problem dvostrulcog (iH višestrukog) objavljivanja, plagijala (krade) ifalsifilta-
ta (lažiranja rezuUata). Pitanje višestrukog objavljivanja je posebno osetljivo jer
pokreće pitanje o tome šta je novi rad u odnosu na ranije objavljeni rad.
U svakom slučaju, podrazumeva se da su redakcije časopisa neposredno
zadužene za kontrolu etičnosti radova koje objavljuju (po svim pitanjima). Zakon-
ska zaštita protiv širenja mržnje i netipeljivosti i drugih zakonski zabranjenih dela
se retko primenjuje prema naučnim publikacijama. Medutim, ugled naučne publi-
kacije zavisi od toga koliko se u njoj poštuju moralna načela naučne produkcije.
Višestruko objavljivanje nije sasvim jednostavno pitanje. Ovde je već spo-
menuto da časopisi sami objavljuju prevode ili prepise članaka koji su ranije
objavljeni na drugim mestima, za koje ocene da su od značaja za njihove kori-
snike. Ako rad poseduje naučnu vrednost od opšteg značaja, onda je uobičajeno
da redakcije traže da objave taj rad (radovi po pozivu). U slučajevima kada autor
pošalje svoj članak redakcijama časopisa koji imaju nepreklapajući auditorijum,
smatra se da nije prekršeno nijedno etičko pravilo i da rad na takav način samo
dobija na vidljivosti.
U svim drugim slučajevima se smatra nedopustivim da autor isti rad
objavljuje na više mesta, što istovremeno znači da „greh” pada i na redakcije
naučnih publikacija koje su takav tekst objavile. Ne smatra se pristojnim da neki
autor hčno svoj rad proglasi naučnom vrednošću od opšteg značaja i nudi ga
redakcijama za višestruko objavljivanje. Ipak, postoji praksa da autori isti rad
 istovremeno pošalju na adrese više časopisa zato što redakcije često odbiju rad, ili
ga vrate sa zahtevom da se znatno modifikuje (nakon više meseci). Pošto se može
desiti da dve ili više redakcija ipak prihvati rad, takva praksa se ne smatra isprav-
nom. Autor može staviti do znanja uredniku da je poslao rad i drugima, ali će
retko koji urednik u tim uslovima pristati da pokrene mučni proces rcdakcijskog
i recenzentskog pregleda. Jedini ispravan put je da autor pošalje rad časopisu koji
je odabrao, pa ako tu bude odbijen, da pošalje rad drugom časopisu. Smatra se
vrlo poželjnim da autor obavesti drugi časopis o tome da je rad pregledala pret-
hodna redakcija, koje zamerke je utvrdila i šta je autor uradio da bi te zamerke
otklonio.
Postoji i pojava da autori šalju rad na objavljivanje drugim časopisima pod
novim naslovom. To se, takode, smatra potpuno neprihvatljivim, posebno ako je
tekst isti. Medutim, sasvim je verovatno da će istraživači, dok rade na istom
projektu, ali i u okviru svog naučnog opredeljenja, pisati o istim problemima,
korisliti slične instriimcnte i metode i sazrevati u svom shvatanju istraživanog
problema. Dakle, kada će se smatrati da su njihovi tekstovi isti, kada da su skoro
isti, a kada da su to novi tekstovi? Nema lakog odgovora na to. Postoje neka
pravila koja kažu da 10-15% teksta mora biti izmenjeno, ali nije dovoljno jasno
na šta se moraju odnositi te izmene, odnosno šta može, a šta ne može ostati isto.
Sto se tiče plagijota, odnosno krađe tudeg teksta, tu stvar podleže zakon-
skim sankcijama, pa čak i poništavanju stečenih naučnih i nastavnih zvaiija
ukoliko se dokaže da su stečena plagiranjem (npr. magistarskih teza i doktorskih
disertacija). U tom smislu nisu potrebna dalja objašnjenja. Treba istaći i da se
neznanje ne smatra opravdanjem. Međutim, plagir^nje može imati vrlo različite
oblike i, premda je pojava retka (u odnosu na broj objavljenih radova), potrebna
je stalna doza opreznosti kod naučnih redakcija ali i celokupne naučne zajednice.
Nije plagijat ako autor javno usvoji nečije ideje, metode ili zaključke - citirajući
ih. Plagijat je ako ih prcdstavi kao svoje. U praksi se to često svodi na to da li je
tekst koji je preuzet iz tuđeg rada stavljen u navodnike (i eksplicitno naveden kao
citat, sa detaljnom referencom), ili nije. lako se ne smatra plagijatom, vrlo je
bliska tome pojava kada neko dopisuje svoje autorstvo na radovima u kojima nije
učestvovao (često u formi zloupotrebe višeg nastavničkog ili istraživačkog
statusa).
Ako nečiji rad potpuno slcdi pristup i opredeljenja nekog svog prethodnika,
postavlja se pitanje u kojoj meri je prihvatljivo da se rad sastoji od citiranih
navoda, makar bili i pod navodnicima. Rad koji se sastoji isključivo iz taksativno
pobrojanih tuđih mišljenja i navoda, može imati probleme da se prizna kao naučni
rad. Ako takav rad ima za cilj da demonstrira kako se neki naučni stav razvijao
kroz istoriju, i to prvenstveno ilustruje citatima poznatih autura, onda će se možda
čak razvrstati kao pregledni rad.
Folsifikati se odnose na lažiranje podataka, lažno predočavanje rezultata
istraživanja, selektivno prikazivanje, prešutkivanje negativnih nalaza itd. Postoje
mnoga dokumentovana svedočanstva o takvim „radovima”, od arheologije do
svih drugih nauka. Neki takvi primeri imaju anegdotsku i humorističku konotaci-
ju, a neki doslovno predstavljaju prevare. U oblasti društvenili nauka postoje
višestruka iskustva sa vrlo poznatiin autorima, rodonačelnicima naučnih pravaca
i škola, koji su verovalno iz snažne motivacije i snažnih uverenja „frizirali”
podatke da bi potkrepili svoje teorije.
Cyril Burt, utemeljilelj mnogih ključnih psiholoških disciplina, bavio se i krimino-
logijom. U tom smislu je dokazivao tezu Lombroza i Godarda da postoje jo đ e n i kriminalci”
koji su, pri tome, mentalno poremećcni i imaju nizak IQ (između ostalog, Burt se služio
metodom blizanaca). Nažalost, 1974. godine je uočeno da su korelacije različitih skupova
blizanaca jednake na trećoj decimali, što je praktično nemogućan ishod. Nakon toga se
ustanovilo da neki od njegovih koatuora ili nisu radili s njime ili uopšte nisu postojali. Sve je
ukazivalo na to da je Burt lažirao podatke i da je objavio lažne tabele u kojima su osuđenici
imali nizak IQ. Konačno je i Burtov biograf, ovlašćen od strane Burtove porodice,
konstatovao da se verovatno radi o prevari.
Burtov primer se u metodološkim udžbenicima redovno koristi za ilustraciju falsifikata.
To je nepravedno prema Burtu čiji je doprinos psihologiji, psihometriji, faktorskoj analizi i
teoriji inteligencije ogroman. Drugo, sumnje u neispravnost njegovih nalaza nisu dokazane.
Treće, njegove nalaze su potvrdili mnogi drugi istraživači. Može se pretpostaviti da je mudri
Burt osećao da je u pravu I da je sumnjao da su nalazi koje je stvarno dobio jednostavno
pogrešni. Zato je bio u dilemi da li da ih odbaci, a s njima i dugogodišnji trud i svoje teorijske
pretpostavke, pa se odlučio za .friziranje".
Mnogo strožiji nego prema Burtu treba biti prema velikom broju autora koji su prepi-
sali svoje ili tude radove, ili kojima su radove napisali saradnici, asistenti, pa čak i studenti,
koji uopšte nisu navedeni kao koautori.
Uzgred, jstraga" nije otkrila samo „aferu Burt", nego je ustanovljeno da je i Godard
falsifikovao svoje fotografije u kojima su imigranti iz Irske prikazani kao da imaju uvučenije
očne duplje. Breuning je lažirao podatke kojima je dokazivao da se stimulansima može
umanjiti agresivno i hiperaktivno ponašanje kod teško retardirane dece. Kardiolog Buch-
binder je optužen za neetičko prikrivanje rezultata i nepotpuno istraživanje Rotablatora,
uređaja za čišćenje krvnih sudova, koji je proizvodila fii ma u kojoj je Buchbinder imao ulože-
ne milione dolara. Lekar Richman je .propustio" da izvesti o smrti pacijenta i o neželjenim
efektima leka protiv hepatitisa.

Falsifikovani rezuitati istraživanja su zapravo samo jedan deo namenio ili

nenamerno pogrešnih ili pristrasnih rezuhata i naučna javnost se pennancntno
bavi proverom viastitih i tudih nalaza. Oluda potiče jedan od osnovnih zahteva za
pisanje naučnog rada da svi elemcnti budu tako prezentirani da se istraživanje
može ponoviti.
Nekada je dovoljno da budu prezentirani osnovni podaci kako bi se mogla ponoviti
njihova analiza (nekom drugom tehnikom, npr). Na taj način je Ronald Fisher zaključio da je
Gregor Mendel verovatno bio obmanut od strane svog pomočnika. Fisher je, naime, koristio
test da bi proverio da II se dobijene Mendelove frekvencije slažu sa frekvencijama koje bi
proistekle iz genetičke teorije. Ustanovio je da su dobijene frekvencije „suviše dobre" i
zaključio, detektivski, da je asistent, znajući šta Mendel traži, manipulisao podacima u po-
gledu sličnosti boje graška sa bojom jo d ite lja ” I u tome preterao. Međutim, iako „našti-
movani", Mendelovi rezultati su doveli do potpuno tačnih i revolucionarnih zaključaka.
 C. Pravila pisanja istraživačkih izveštaja

Nakon svega što je prethodno rečeno, čitalac već ima na raspolaganju

mnoge dobre ideje o tome na šta treba misliti kada se piše naučni rad. Medutini,
dosada ipak nismo dali detaljne instrukcije o tome šta i kako treba pisati.
Najdetaljnije instrukcije za pisanje daju redakcije naučnih časopisa. Redakcije u
svetu objavljuju te instrukcije u svom časopisu, recimo jednom godišnje, a danas
je već sasvim normalno da svaki iole ozbiljniji časopis ima svoju Internet
prezentaciju na kojoj se mogu pročitati i instnikcije o tome kako treba pripremiti
i poslati članak. Kod nas je pitanje forme i formata poslatog članka više „laissez
faire”, pri čemu obe strane dozvoljavaju sebi razHčite slobode - časopisi ne nude
dostupnu infonnaciju o tome kako radovi moraju izgledati, a autori pišu onako
kako su navikli.

1. Elem enti stila

Postoji veoma mnogo priručnika i udžbenika koji se bave pitanjem stila

pisanja naučnih radova (nažalost, ne na našem jeziku). U uvodnim poglavljima je
rečeno da različite društvene nauke različito gledaju na problematiku pisanja
naučnih tekstova. Pored toga, različite škole i pravči imaju ili mogu imati speci-
fične preferencije koje se tiču stila pisanja. Poznato je da istorijske nauke, a
generalno rečeno i sve druge nauke kada koriste tzv. istorijsku metodu, na pisanje
izveštaja gledaju kao na važnu komponentu naučnog rada, pa se kaže da je u
istoriji istraživanje nauka, a izlaganje umetnost. Vrlo slično shvatanje imaju i
etnolozi.
Znajući to, ne možemo reći da je stil pisanja naučnih tekstova uvek i svuda
jednak. Međutim, postoje neka univerzalna pravila čije se poštovanje očekuje od
svih pisaca naučnih radova, bez obzira da li smatraju da pišu „umetnost” ili
istraživačke izveštaje. Navešćemo neka od tih najosnovnijih pravila,
• Pisanje naučnih radova mora imati kao prvenstveni cilj informisanje
naučne javnosti, a ne ličnu ekspresiju bilo koje vrste.
• Pisanje naučnih radova mora biti rukovodeno idej ora nepristrasnosti i
uzdržanosti.
• U odnosu prema drugim autorima, posebno oponentima, od pisca
naučnog rada se zahteva da bude uzdržan, tolerantan, pristojan i kole-
gijalan.
Osim ovih, postoje još i mnogi drugi zahtevi koji se odnose na stil pisanja
naučnih tekstova, pri čemu su većina refonnulacija i razrada nekog od navedena
tri principa. Naravno, to su opšta pravila koja ne govore dovoljno o tome kako da
se formulišu konkretne rečenice, ili kako da se konkretno izraze određeni stavovi.
Da bi se bilo „dobar pisac” treba poštovati nekoliko osnovnih sugestija.
Jezik pisanja, u gramatičkom smislu, mora biti ispravan, a u semantičkom smislu
jasan i koncizan. Uobičajena operacionalizacija zahteva za „nepristrasnošću i
uzdržanošću”, koja se koristi u naučnim tekstovima, je da se izbegava pisanje u
prvom licu Jednine. Šta više, u pojedinim sredinama se preporučuje pisanje u
„bezhčnom” obhku. Na primer, ako se iznosi neki stav iU tvrdnja, reći će se ,,...mi
smatramo to i to...”, ih, bezhčno, „...može se zaključiti to i to...”. U slučaju kada
je potrebno da se neposredno spomene Učnost autora, onda se koristi fraza „...
ovaj autor...”. Naravno, kao i svuda u Ijudskom društvu, u nauci važi latinska
izreka quod licet lovi, non licet bovi, pa se u tzv. pozvanim člancima, obično
preglednim radovima koje pišu renomirani autori na molbu redakcije naučnog
časopisa, niože naći jasna i neposredna formulacija „... ja smatram...”.
Od nesumnjive je koristi da autor ostavi malo vremena da tekst „sazri”, da
ga ponovo pročita i koriguje. Nažalost, dobro je poznato da svaki pošten autor,
nakon svakog ponovnog čitanja svog teksta, smatra da ga treba promeniti ili
dopuniti. Takve večite naknadne dopune nisu, naravno, moguće.
Nastojanje da se bude „uzdržan i nepristrasan” može da dovede do dosadnih
tekstova bezpoente. Kako se ne bi preterivalo u upotrebi tih opštih pravila, danas
se mogu naći i sugestije da radovi budu pisani sa „perspektivom”, „ličnim sta-
vom”, „gledištem”, odnosno kako se to kaže na engleskom, sa slantom. „Siant”
podrazumeva da postoji jasan cilj članka koji se provlači kroz sve njegove delove,
od naslova do zaključaka. Takode, slant treba da donese „novost razHčitosti” u
tom smislu da članak bude jasno pozicioniran i distinktan u odnosu na druge
slične članke iz te oblasti, odnosno da njegova „poinka” bude takva. Naravno,
lakše je postići „slant” ako je članak polemičan, kritičan ih oponentski u odnosu
na druge radove. Medutim, treba imati u vidu da cilj „slanta” nije polemičnost,
nego čitljivost, tj. da je to pokušaj da se bolje implementira gore navedeno opšte
pravilo br. 1 .
Treba pomenuti i naučna saopštenja koja se čitaju na naučnim skupovima.
Takođe, istraživači često moraju usmeno prezentirati projekt istraživanja, prehmi-
name i konačne nalaze i to sa ciljem da dobiju sredstva za nastavak radova, ih da
opravdaju već utrošena sredstva. Edukativna istraživanja (v.) se skoro redovno
brane pred komisijom. U tom slučaju je komunikacija sa „čitaocima” direktna, a
za govorni stil važe dodatna pravila i sugestije, razhčiti od onih za pisani jezik.
Neki Ijudi su podobniji za javno izlaganje, a drugi manje podobni, ah i za njih
postoje mnoge „formule za uspeh”, pre svega vežba.

2. Delovi i strul<tura istraživačkih izveštaja

Amerikanci koriste jednu skraćenicu koja jasno opisuje osnovnu strukturu

istraživačkih izveštaja: SIMRAD, iU nešto skraćeno, IMRAD, ih još skraćenije
IMRD. Značenje te skraćenice na engleskom je sledeće: Summary (rezime),
Introduction (uvod), Methods (metode), Results (rezultati), Analysis (analiza) i
Discussion (diskusija). Ova podela je zgodna za pamćenje, ali je gruba. Postoje,
naime, delovi rada koje ona ne spominje, a obavezni su i važni. Pred.stavićemo
jedan širi pregled delova istraživačkog izveštaja, šta oni sadrže i kako se pišu,
odnosno kako izgleda „^vostč&n" form at istraživačkog izveštaja.

a. Naslov rada

Treba imati u vidu da će većina čitalaca pročitati samo naslov rada, rezime
i eventualno ključne reči. Naslov istraživačkog izveštaja treba, zapravo, da sadrži
kritične ključne reči (vidi dole), a jedna od njih je naziv zavisne varijable. Ako
postoji samo jedna nezavisna varijabla, ili njihov mali broj, obično se one nađu u
naslovu. Iz toga sledi da će naslov obično sadržavati iskaz opovezanosti varijabli.
Postoje dva osnovna tipa formulacija iskaza o odnosu među varijablama: „pove-
zanost izrneđu” ili „poređenje grupa”. Umesto tennina „povezanost” se preponi-
čuje da se koristi „uticaj”, „zavisi” ili kao faktor 5 ”, odnosno takvi termini
koji ukazuju na mogućnst predvidanja jedne varijable iz druge (drugih), a sve u
cilju bolje usmerenosti istraživanja. Na primer, „Uticaj zadovoljstva poslom na
stepen apsentizma” ili „Zadovoljstvo poslom kao faktor apsentizma”.
Naslov treba da bude kratak, ne više od 10-12 reči. Tih nekoliko reči treba
da obuhvataju suštinu rada. Zato ih ne treba traćiti na suviške kao što su „Istra-
živanje o...” ili „Anketna studija...”. Naslov je deo rada koji će biti najviše čitan.

b. Im e autora i afilijacija

Uz ime autora treba navesti i ustanovu gde autor radi - afilijaciju - a ako
ima više autora treba navesti afilijaciju za svakog. Ovaj podatak je važan za
bibliografsku i scijentometrijsku obradu i izračunavanje pokazatelja citiranosti
institucija.
Autorstvo, odnosno ko je autor rada, nije jednostavno pitanje. Ono je neka-
da razlog za vrlo ozbiljne sukobe. Opšte je pravilo da se pravo na autorstvo stiče
na osnovu doprinosa radu. Kolege koje su dale sugestije i savete oko nacrta ili
sprovodenja istraživanja, studenti koji su prikupljali podatke, tehničari koji su
konstruisali instrumente, infomiatičari i statističari koji su pomogali oko upotrebe
računara i statističke obrade ne smatraju se koautorima. Dobro je da njihov do-
prinos bude pomenut i nagraden, ali tako što će biti pomenuti u fiisnoti ili u
posebnom odeljku. Naravno, postoje izuzeci od ovog opšteg pravila, na primer,
ukoliko je neka od pomenutih aktivnosti bila presudna za rad.
Suština je, možda, u razumevanju značenja izraza „doprinos”. Postoji,
recimo, konsenzus oko toga da doprinos mora konceptualno biti odreden kao
stvaralačka, inicijatorska i idejna uloga u istraživanju. Ovaj kriterijum je posebno
važan za određivanje imena prvog autora. Uloženo vreme, rad, trud i energija se,
u tom smislu, ne smatraju kriterijumom za određivanje autorstva. Međutim,
postoji konsenzus i oko toga da prosti akademski stepen ne može da određuje
autorstvo, iako prvi kriterijum, konceptualni doprinos, obično daje prednost
autorima sa višim akademskim stepenom.
Izostavljanje iz autorstva osoba koje su suštinski doprinele istraživanju se
može podvesti podplagiranje. Zato odredivanje autorstva u radu duboko zadire u
moralnost istraživanja. Međutim, navođenje autora koji nije radio na radu je
takode nemoralno jer obično služi tome da takav autor nezasluženo stekne bene-
ficije.

c. Rezim e

U nekim časopisima se insistira da rezime, ili apstrakt, bude strukturisan.

To znači da rezime ukratko odražava strukturu čitavog rada. Taj zahtev nije lako
ispuniti i on nije prihvaćen u svim redakcijama, ali je dobar za ilustraciju onoga
šta rezime treba da sadrži. Dužina rezimea je uvek ograničena, ali ta ograničenja
znatno variraju od publikacije do publikacije - kreću se od 250-1000 znakova.
Rezima je tačna, koncizna, koherentna i vrednosno neutralna rekapitulacija
suštine rada. U rezimeu se ponavlja problemska izjava, ukralko navode inetode
koje su korišćene, glavni nalazi i zaključci i njihove implikacije. Rezime može da
bude podeljen u više pasusa, mada se to zbog kratkoće izbegava.
Pisanje rezimea je prilično iskušenje. Najbolje se piše kada se rad završi i
kada se slegnu utisei, jer aulor onda lakše može ,,u tri reči” da prepriča ono što
stvamo odlikuje rad. Pri tome treba da ima u vidu potencijalne čitaoce koji će prvi
uvid u rad imati upravo preko rezimea i koji će na osnovu njega odhičiti da li da
potraže rad in extenso.

d. K ljučne reči

Navode se iza rezimea i mogu biti slobodne, u smislu da ih autor sam

odreduje, po svom osećaju i nahodenju, ili mogu biti odabrane sa nekog spiska
ključnih reči, odnosno tzv. tezaurusa. Vrlo je korisno da se autor stavi u poziciju
nekoga ko pretražuje bibliografsku bazu i treba da pronađe baš njegov članak. To
čini zadatak smišljanja ključnih reči lakšim. Dobra praksa je da ključne reči budu
hijerarhijske: disciplina, oblast, problem, metoda, nezavisne varijable, zavisne
varijable i da odražavaju bitne odhke istraživanja. U zavisnosti od prakse redakci-
ja i drugih bibliografskih institucija, ako autor nije dao ključne reči, daće ih ured-
nici, a i ako ih je dao, opet se može desiti da uz rad budu priključene i zvanične
ključne reči.
Prosečan čitalac možda neće obratiti pažnju na ključne reči, ali će, mcdu-
tim, one igrati važnu ulogu u pretraživanju on-Hne biblioerafskih baza gde se,
većinom, prelraživaiije radova vrši u okviru naslova, rezimea i ključnih reči.
Postoje i tezaurusi (rečnici) ključnih reči u okviru pojedinih oblasti (npr. za
psihologiju takav tezaurus izdaje APA).

e. U vod

Zadatak uvoda je da čitaocu pruži infomiacije o tome šta je poenta rada,

kako bi lakše razumeo ostatak rada. U uvodu se mora istaći problem istraživanja
ih tzv. problemska izjava (v.). Zatim se izlaže teorijski okvir istraživanja i njego-
va lokacija u odnosu na dosadašnja istraživanja. Teorijsko pozicioniranje istraži-
vanja se obično postiže tako što se ukratko navede šta je dosada rađeno u tom
području, u oblikupregleda literature, navodeći osnovne reference. Većina refe-
renci u radovima se nalazi upravo u uvodu, ali treba se uzdržavati od preobilnog
citiravija. Korisno je, potrebno i logično da se ukaže na osnovne nedostatke
postojeće literature, je r se obično u tome nalazi raison d'etre većine istraživanja.
Konačno, u uvodu treba objasniti cilj istraživanja (ukoliko postoji), odnosno kako
će biti pokušano da se nade rešenje problema. Ako je istraživanje primenjeno,
akciono ili evaluativno, mora se opisati njegov praktični značaj.
Autori koji naglašavaju značaj izjave o cilju i smatraju je neophodnim
delom uvoda, obično zahtevaju da ona sadrži i osnovnu specifikaeiju objekata —
ispitanika - učesnika, kao i njihovog mesta (recimo „učenika srednjih škola u
Novom Sadu”).
Sledeći odeljak mora biti o varijablama kojc’ učestvuju u istraživanju, o
načinu njihove upotrcbe i relacijama izmedu varijabli. Varijable se obično navode
po redosledu: nezavisne, zavisne pa medijatorske, kontrolne, grupišuće i druge.
Recimo „...osobine ličnosti su obuhvatale podskale iz Eysenckovog testa EPQ,
motivacija je merena upitnikom, a uticaj radnog staža je kontrolisan statistički...”.
Poseban odeljak treba biti posvećen hipotezama istraživanja ili istraživač-
kimpitanjima. S obzirom da je opšta teorijska hipoteza već sadržana u deklaraciji
problema ili cilja, ovde treba navesti empirijske, operacionalne hipoteze, njih ne
više od nekoliko (a jedna je sasvim dovoljna). U poglavlju o hipotezama opisano
je da empirijske hipoteze nisu isto što i statističke hipoteze. Statističke hipoteze
(nulte i altemativne) ne treba navoditi u uvodu. Ako se statističke hipoteze (kao
statistička operacionalizacija istraživačkih hipoteza) negde uopšte eksplicitno
navode, onda to može biti u poglavlju o rezultatima, analizi ili diskusiji. Redanje
nuitih hipoteza opterećuje tekst dosadoni, suvoparnošću i trivijalnošću. Da bi se
izbegla suvoparnost i lažna objektivnost koju autori nekada žele postići navode-
njem statističkih hipoteza, danas se čak umesto termina „hipoteze” koristi naziv
očekivanja ili predviđanja.
Osim toga, statističke hipoteze ne postoje ako je istraživanje kvalitativno.
Isto tako, eksplorativna (deskriptivna) istraživanja mogu imati izvesna očeki-
vanja, ali po deimiciji ne služe proveravanju hipoteza.
 Odeljak o hipotezama može se iskoristiti za navođenje svih detalja vezanih
za operacionalizaciju varijabli.
Uvod treba da bude što kraći, jasniji, jednostavniji i informativniji.
Istraživači često, posebno nakon dugogodišnjeg bavijenja nekom oblasti, osećaju
potrebu da daju jedan koherentan i kritički pregled oblasti. Osim toga, u
društveno-naučnim radovima, tezama i disertacijama na našim univerzitetima
uvod je obično najduže poglavlje. Dok se u edukativnim istraživanjima može naći
neki smisao u dugačkim uvodima (ah ne preterano veliki smisao), u istraživačkim
izveštajima nema mesta za iscrpne preglede oblasti. Uvod će se razlikovati kod
kvalitativnih istraživanja.
Detaljnije o tome šta su problem i cilj istraživanja, kao i način na koji se
priprema pregled literature pisano je u poglavlju o problemu i cilju istraživanja.

f. M etode

Prilikom pisanja ovog poglavlja treba se staviti u situaciju nekoga ko želi da

ponovi istraživanje. Već je naglašeno da način pisanja istraživačkih izveštaja
mora biti takav da se na osnovu njih istraživanje može ponoviti. Zahtev za
rephkabilnošću istraživanja je zapravo zahtev za proverljivošću i ima mnogo viši
status od protokolamog i kurtoaznog. Proverljivost nalaza se u epistemologiji,
posebno u nekim pravcima, kao što je pozitivizam, direktno povezuje sa istini-
tošću nalaza. Pored toga, zainteresovan i obavešten čitalac će upravo u ovom
poglavlju tražiti odgovor na pitanje da li je istraživanje vredno pažnje, odnosno
da li je metodološki korektno.
Postoji problem „slepila” kod istraživača jcr im se čini da svi znaju kako je
šta urađeno, a pored toga njima je obično dosadno prepričavati tehničke detalje
istraživanja. Drugi istraživači, opet, dolaze u iskušenje da vrlo detaljno opisuju
šta su sve radih. Jcdna dobra preporuka APA-e je da se u poglavlje o metodama
uključe samo one informacije koje su presudne za razumevanje i ponavljanje
istraživanja. Opisima, kao što je; „...pošto nismo dobili odobrenje, morali smo
otići u drugu školu...”, nije mesto u ovom poglavlju.
Poglavlje o metodama se obično deli na više odeljaka: pregled, ispitanici -
učesnici - objekti (u zavisnosti od toga kako će se zvati jedinice posmatranja),
oprema - uredaji - merni instrumenti, i postupak.
Preglcd. - Ukoliko istraživanje ima složcn nacrt, a to može biti slučaj kod
eksperimentalnih istraživanja, opis nacrta istraživanja mora se naći upravo ovde,
u pregledu. Treba objasniti da li je istraživanje bilo terensko ili laboratorijsko,
transferzahio ili longitudinalno.
O bjekti. - Bez obzira na vrstu istraživanja, važan odeljak je onaj o uzorku
ispitanika, odnosno načinu selekcije objekata i njihovim svojstvima. Mora se
detaljno objasniti vrsta uzorka, stopa neodgovora i standardna greška, ako ju je
mogućc izračunati. Ako je istraživanjc bilo longitudinalno, reeimo panel istraži-
vanje, ili je trajalo dugo, onda se mora opisati stopa osipanja uzorka (koja je neiz-
bežna) i razlozi osipanja.
Važni su i svi drugi podaci o uzorku kao što su starost, pol, obrazovanje,
nacionalnost i jezik. Ako postojc neke specijalne knrakteristike objekata, one
trebaju biti ovde opisane - rccimo, deca alkoholičara, roditelji autistične dece,
piA'orodena deca itd. Treba navesti i detalje o plaćanju učesnika i ostale dctalje.
Kada su objekti životinje, treba navesti rod, vrstu, dobavljača i druge identi-
fikacione podatke.
Kod kvalitativnih istraživanja objekti će biti birani prigodno ili namerno.
Trcba opisati m čin na koji izabrani upravo oni i zbog čega su izabrani.
O prcm a i m crni instrum cnti. - Ako su u istraživanju korišćeni specijalni
laboratorijski ili neki drugi uredaji, oni moraju biti ovde opisani. Od interesa su
samo uredaji koji su korišćcni za manipulaciju nezavisnom varijablom i za
merenje zavisne varijable i samo ako su po nečemu posebni (nc treba opisivati
štopericc, npr., onc se niogu pomenuti u odcljku o postupcima). Ako su urcdaji
fabrički, navodi se proizvođač, model, godina proizvodnje i dnigi podaci koji su
od značaja. Kada je opremu konstruisao sam istraživač, treba detaljno opisati njcn
nacrt, Ako je korišćen ncki speeijahzovani softver, treba ga detaljno opisati, ih
samo navcsti ukohko je opštepoznat.
Ako su za mcrcnje zavisne varijable (i drugih varijabh) korišćeni psihološki
testovi ih upitnici, oni moraju biti ovde navedeni i opisani. U zavisnosti od dužine
rada, od broja i dužine memih instrumcnata, kao i od toga h su standardni ih
konstruisani ad hoc, instrumenti mogu biti prikazani in extensa iii samo opisani.
Opis trcba sadržavati vrstu i format instrumcnta, format stavki, broj stavki itd. Za
one instrumente za koje je to relevantno treba prcdočiti podatke o mcrnim
svojstvima, prvenstveno pouzdanost i vahdnost.
Postupak. - U ovom odeljku valja detaljno i tačno opisati kako jc teklo
istraživanje. Preporučuje se da odcljak bude organizovan hronološki i, ako je
postojalo više grupa, za svaku grupu zascbno. Odeljak o postupcima je ključni
deo poglavlja o metodama.
Treba parafrazirati uputstva koja su data ispitanicima. Zatim trcba opisati
kako su izglcdali ckspcrimentalni tretmani (manipulisanje nczavisnom varijab-
lom) i kako je mcrena zavisna varijabla (v. prethodni odcljak). Mora se objasniti
način dodeljivanja objekata gi'upama: randomizacija, jednačenje, uravnoteženjc...
Potrebno ja da budu opisani i svi metodi kontrole neželjene varijansc i, konačno,
treba opisati i izlazni intervju, ako ga je bilo.
Ako je istraživanje neeksperimentalno sadržaj odeljka će biti drugačiji -
kako je sprovedeno anketiranje, koje tehnike merenja su korišćene, kako jc spro-
vedeno posmatranje, kako je izgledao zapisnik posmatranja (što može biti
uvršteno u prethodni odeljak) itd.
Ako je relcvantno, treba navesti vrcme trajanja ckspcrimcnta, intcrvjua,
odnosno metode prikupljanja podataka koja je korišćena.
 U meta-analizi će biti potrebno da se opiše kako su prikupijani radovi, kako
su izdvajane veličine efekta, štaje činjeno u slučajevima kada veličinc efekta nisu
bile dostupne u radovima i tonie slično.
U analizi sadržaja treba opisati postupke prikupljanja poruka, treniranja
ocenjivača, formiranja kodne sheme (listc kategorija), načina rada ocenjivača,
ocenjivanja njihove pouzdanosti i dr.
Izveštaji iz kvalilativnih islraživanja će se razlikovati od kvantitativnih u
celosti, a u poglavlju o metodama posebno. Odeljku o postupcima u tome nije
izuzetak (Crcsvvcll, 2003). U njcmu trcba opisati mesto (mesta) na kojima se
istraživanjc sprovcdcno (jer se kvalitativne studije najčcšće sprovode na tcrcnu),
uslove koji su vladali, na kakav je prijem naišao istraživač i koji događaji su se
dešavali.
U kvalitativnim istraživanjima je prikupljanje podataka bazirano na
kvalitativnim metodama kao što su intervju i posmatranje. Zato treba dctaljno
opisati kako su oni sprovcdeni i kako su bclcženi ili snimani. Ako su analizirani
artefakti, tekstovi, umetnička dela i drugo, trcba ih opisati. Treba priložiti izgled
zapisnika iz intei-vjua, posmatranja ili fokus grupa.
Poglavlje o metodama može sadržavati i druge odeljke, specifične za pred-
met istraživanja i korišćene metode. Moraju sc navesti i svi drugi usiovi, očekiva-
ni ili neočekivani koji su pratili istraživanje; datum i vreme sprovodcnja tcren-
skog istraživanja, situacija u kojoj je vršeno posmatranje itd.

g. Rezullati i analiza

U nckim disciplinaina se preporučuje da ovo budu dva odvojena poglavlja.

Ovde ćemo zauzeti stav da je poglavlje o prcdstavljanju rczuhata osnovno, a da se
analiza rezultata priključi poglavlju sa diskusijom. Kasnije ćc o tome biti nešto
više reči, a zasada ukazujcmo samo na to da pod analizom, iz naslova ovog
odeljka, ne podrazumevamo analizu podataka, ncgo analizu rezultata.
Ovo poglavlje istraživačkog izvcštaja sadili sve rezuhate prikupljanja i
obrade podataka. U kvantitativnim istraživanjima će obrada podataka biti prven-
stvcno statistička, ali to nijc uvck slućaj. Prikupljeni podaci i konačna prilika za
njihovu analizu predstavlja konačnu satisfakciju istraživačima. Nažalost, mnogim
istraživačima, a poscbno studcntima, ova prilika izaziva i puno zebnje je r da bi se
nalazi interpretirali valja ih statistički obraditi. Jcdino šta se stvamo može
preporučiti studentima je da ovladaju osnovnim statisličkim tehnikama isto onoli-
ko koliko su ovladali drugim pojmovima kojc su koristili u istraživanju.
U ovom poglavlju na prvom mestu trcba objasniti ciljeve analize podataka.
Naravno, oni moraju biti povczani sa ciljevima istraživanja i hipotezama i tako ih
treba izložiti. Tu se može obrazložiti i opšti nacrt analizc, navesti modcl analize
varijanse, vrstu multivarijatne tehnike i drugo.
Zatim trcba prikazati deskriptivnu statistiku. Ona treba da obuhvata sve
gnipe i sva merenja, a ako je relevantno i uzorak u cclini. Minimalno trcba nave-
sti meru cenlralne tendencije, meru raspršenja i veličinu grupe. Ako grupa i
merenja ima malo, deskriptivna statistika se može navesti u tekstu. Mnogo je
češći slučaj da su podaci mnogomerni i u tom slučaju za prikaz treba koristiti
graj'ikone (v.) i tabcle.
Ako su korišćene kvalitativne metode, onda se nalazi mogu ilustrovati
prepisima intervjua, kontekstima iz analize sadržaja, fotografijama (grafikoni i
fotograflje u boji mogu izgubiti smisao kad se odStampaju cm o-belo) i dnigim
indikatorima koji su specifični za korišćene metode.
APA pravila (2001), kao i pravila mnogih redakcija, nalažu da tabele i
grafikoni ne budu priloženi u telu teksta, nego u dodatku. Ovaj jasan zahtev
olakšava autorove dileme oko razmeštaja tabela i grafikona, ali ne poboljšava
nužno čitljivost teksta. Problem čitljivosti je posebeno zaoštren kod dužih radova,
kao što su diplomski, magistarski i doktorski. Tamo vlada stalna dilema oko toga
šta treba staviti u tekst, a šta u prilog. Dilema praktično ne postoji ako jedna ili
dve kratke tabele ih jedan ih dva grafikona mogu da opišu većinu glavnih nalaza.
Tada te tabele i grafikone svakako treba staviti u tekst, a ostale tabele, grafikone,
listinge, snimke i izveštaje treba smestiti u dodatke (priloge).
Problem nastaje ako nema takvih kratkih tabeia ih grafikona. To je čest
slučaj kod strukturalnih istraživanja i muhivarijatnih eksperimenata. Ako je, na
primer, radena kosougla faktorska ajtem analiza nekog testa od 100 ajtema, onda
treba priložiti najmanje dve matrice (recimo matrice sklopa i interfaktorskih kore-
lacija) od po 100 redova. U članku verovatno uopšte neće biti mesta za takve
matrice, nego će se opisali njihov sadržaj: broj faktora, varijable sa najvećim
opterećenjima, tipične korelacije faktora itd. U eduka^tivnom istraživanju, malrice
će ići u prilog, a njihov opis u tekst. Kada smo već kod ovog primera (a on je
ilustrativan za sve MVA tehnike), često će logika nalagati da se rezultati prikažu
po fiiktorima, u kom slučaju se uz svaki faktor mogu navesti varijable koje ga
najviše zasićuju i varijansa (dužina) faktora.
Nakon deskriptivne statistike red je na statistici zaključivanja ili na regre-
sionoj, korelacionoj ili miiltivarijatnoj analizi. Statistika zaključivanja koristi se
za proveravanje istraživačkih hipoteza koje za te potrebe treba operacionalizovati
kao statističke hii^oteze. U pogledu saopštavanja rezultata testiranja hipoteza
savetuje se da minimalni skup informacija sadrži:
• tip testa (/, r, F itd.),
• broj stepcni slobode (u zagradama),
• vrednost testnog statistika,
• egzaktnu verovatnoću testa pod pretpostavkom da je nulta hipoteza
tačna,
• ocenu varijanse greške ili standardnu grešku (radi izračunavanja inter-
vala poverenja) i
• veličinu efekta, vrstu i iznos.

Na primer: „Uktipni efekt tipa instrukcije na zapamćivanje je visoko zna-

čajan, F{2,64) = 1,15,p = 0,0005, a MSE = 2,A. Grupa kojaje primila instrukciju
 A pamtila je bolje (M=14,70, SD=5,50) od gmpe koja je primila istrukciju B
(M=12,70, SD=6,50) i efekat d = 0,85 je visok, viši od tipičnog”. Kao što je
rečeno u poglavlju o testiranju statističkih hipoteza, intervale poverenja treba
navesti eksplicitno ili barem implicitno - navodeći standardnu grešku. Na primer:
„Interval poverenja za razliku aritmetičkih sredina bio je od 0,5 do 3,50, što
ukazuje da stvarna razlika može biti manja od jedne ocene (verovatno bez
ikakvog praktičnog značaja), ali i veća od 3 ocene.”
Takođe, korisno je da se autor odmah na početku opredeli za nivo grešaka I
tipa i da to ekspiicitno navede: „Koristićemo alfa nivo 0,05 u statističkom zaklju-
čivanju”. Nakon toga će čitalac znati šta znače kasnije ocene o značajnosti.
Ako ima više grupa i više merenja, pa je korišćen višefaktorski nacrt analize
varijanse ili ima više različitih testova, prikazivanje nalaza u tekstu će postati
nepregledno pa se za to može koristiti tabelami prikaz. Treba imati u vidu, poseb-
no u edukativnim radovima, da se listing statističkih programa koji sadrži kom-
pletne rezultate testiranja statističkih hipoteza može staviti u prilog.
Ako je istraživanje korelacionog tipa, primer prezentacije nalaza bi mogao
biti: „Kod prvog istraživačkog pitanja nadena je statistički značajna korelacija
izmedu broja odslušanih predavanja iz metodologije i prosečne ocene na studija-
ma: r(48) = 0,30, p = 0,03. Pozitivna korelacija ukazuje na to da studenti koji su
čcšće prisustvovali predavanjima iz metodologije teže da imaju više ocene, a oni
koji nisu prisustvovali teže da imaju niže ocene. Veličina efekta je 0,30, po čemu
povezanost ove dve varijable možemo karakterisati kao srednju.”
Ako je korišćena višestruka regresija, treba navesti R, korigovani R ' (ili R,
kao veličinu efekta), značajnost predikcije i standardnu grešku ocene. Tabelarni
prikaz koji obuhvata b ili p, značajnost regrcsionih koeficijenata, inlervale pove-
renja (ili standardne grcške), a ako postoje supresorski efekti i proste prediktor-
kiiterijum korelacije, mogu se uključiti u tekst. Ako prediktora ima mnogo, tabeiu
sa njihovim osnovnim pokazateljima treba smestiti u dodatak.
Ako se koriste tehnike kao što su faktorska, kanonička ili kanonička diskri-
minaciona analiza, treba navesti osnovne pokazatelje latentnih konstrukata ili
varijabli. U kanoničkoj i diskriminacionoj analizi poželjni su: p, p i značajnost
kanoničkih korelacija. U izveštaju iz faktorske analize treba navesti broj zadrža-
niii faktora, kriterijum po kome su zadržani, kao i njihovu dužinu odnosno vari-
jansu. Problem prikazivanja matrica sa opterećenjima varijabli ili koeficijentima
opisan je ranije. Te matrice se obično stavljaju u priloge (kada je reč o dužim ra-
dovima, kao što su diplomski), a u tekstu se daje samo njihov kratak i jezgrovit
opis i, naravno, interpretacija.
Izbor rezultata koji će biti prikazani mora biti usaglašen sa ciljevima istraži-
vanjima koji su izneti u uvodu i sa diskusijom i zaključcima koji će biti dati ka-
snije. Glavni ciljevi i glavni zaključci moraju biti dobro potkovani rezultatima. Iz-
bor načina prikazivanja rezultata može biti intelektualna aktivnostp erse. Nije la-
ko naći pravi format tabcle, ili odabrati pravi grafikon, jer za to ne postoje recepti.
Nauka i moral obavezuju istraživača da prikažc sve rczuhate, uključujući i
one koji nepodržavaju islraživačke hipoteze.
 Kao što je rečeno na početku, generalni savet je da se osnovna analiza re-
zultata ostavi za poglavlje sa diskusijom i zaključcima. U poglavlju sa rezultatima
i analizom biće iznesene sve konstatacije o delovanju nezavisnih na zavisne vari-
jable. Poželjno je da se tom prilikom sa nekoliko osnovnih zaključaka komentari-
šu ti nalazi. Recimo, manje iskusnim istraživačima se može desiti da kažu kako je
„tretman značajno dclovao na sudenje ispitanika”, ali da ne kažu da h je eksperi-
mentalna grupa u pogledu sudenja bila bolja ih lošija od kontrolne. U tom smislu,
kratka analiza rezultata će doprineti da raziičiti rezultati, u ovom primcru deskrip-
tivne statislike i statistike zaključivanja, budu povezani i razumljivi čitaocu.
Diskusija i zaključci. - Ovo poglavlje je kraj drame koja se naziva islraži-
vački izveštaj - tačnije, njen rasplet. Ono mora da sadrži „nešto više nego proste
činjenice”. U njemu autor interpretira rezullate i bavi se njihovim implikacijama,
prvenstveno sa stanovišta problcma istraživanja i istraživačkih hipoteza. Prvo što
čilaoci oCekuju je kratak, jasan i kritičan sinopsis očekivanja koja slede iz hipote-
za i razmatranje da li su ona podržana rezultatima ili ne.
Ako rezultati potkrepljuju hipotcze, u diskusiji se rezultati moraju povezati
sa nalazima drugih studija. Posebno treba odgovoriti na pitanje kako se vlastiti
rezultati uklapaju u teorijski okvir koji je odabran i na koji način ga potvrduju i
unapređuju.
Ako rezultati ne potkrepljuju hipoteze valja potražiti objašnjenje za to.
Rezullati mogu da ne budu u skladu sa očekivanjima na dva načina: tako što su
suprotni ili tako što nisu značajni. Od toga zavisi i gde će se tražili objašnjenja.
Interpretacija neočekivanih nalaza je za nauku barem jednako, ako ne i inspirativ-
nija i važnija od iskaza „dobijeni p je manji od 0,05”.
Kada se radi o analizi, odnosno intepretaciji rezultata, osnovno što se može
zaključiti je da nema „kuvara”, „vodiča” ili „priručnika” za njeno pisanje. Ono što
postoji, to su sugestije koje sc tiču slila pisanja. Ovde smo u prethodnim odelj-
cima ukazali na neke opšte odlike stila naučnog pisanja (na primer, nepristrasnost,
ali i „slant”). Neke discipline društvenih nauka (etnologija i istorija), kao i neke
paradigme, polažu posebnu pažnju na stil pisanja i samo pisanje izveštaja tretiraju
kao deo naučnog istraživanja. Kada se u tim oblastima govori o stilu pisanja, onda
je teško uočiti razliku u odnosu na prozno pisanje. Za izveštaje iz empirijskih
istraživanja u naukama o ponašanju je uglavnom kontraindicirano da se pišu kao
prozna dela, ali treba uzeti u obzir da neka empirijska istraživanja, prvenstveno
bazirana na kvalitativnoj mctodologiji, poštuju pravila etnološkog literarnog stila.
U svakom slučaju, analiza mora da ,,u jedno” povcže rezultate, hipoteze i
ciljeve istraživanja. Sve što je utvrdeno mora bili komentarisano, moraju biti
objašnjene dobijene veze i razlike i sve to mora biti smešteno u jedan opštiji okvir
kako ne bi bilo trivijalno. Na više mesta smo spomenuli značaj generalizacije,
operacije karakteristiSne za induktivno saznavanje. Gencralizacija se obavlja
upravo tokom diskusije rezultata obrade podataka. Svaki istraživač oseća prirod-
nu želju da gcneralizira i obično nije problem u nedostatku opštosti i širine, nego
u tome što ponekad zaključci potpuno prevazilazc, „transcendiraju” podatke,
odnosno koriste podatke samo kao alibi za iznošenje privatnih stavova, pa čak i
predrasuda. Istraživački izveštaj ne može biti scena za takvu predstavu. Ako istra-
živač želi da iznese svoje stavove, on mora da napiše pregledni rad, ili uvodnik i
da ga u toj formi ponudi redakcijama.
Svaki čitalac će biti vrlo zahvalan autoru ukoliko ovaj u zaključku kritički
evaluira istraživanje u celini, počevši od izbora vrste istraživanja, preko primenje-
nih metoda, do dobijenih rezuhata. Svaki događaj u istraživanju koji je mogao da
ugrozi validnost istraživanja i podataka trebabiti komentarisan i procenjen njegov
mogući uticaj. Takođe, zahvalnost čitalaca se može zaslužiti tako što će se
ukratko izneti novapitanja i problemi koje je istraživanje otvorilo, kao i predlozi
kako bi trebalo popraviti istraživanje. Ako postoje sugestije zapraktičnu primenu,
one ovde trebaju biti izložene ukratko i esencijalno.
Zaključci mogu biti mesto i za neke dodatne komentare, kao što su zahvale
i posvete.
Dodaci i prilozi. - Ovo poglavlje obično sadrži dodatne infonnacije koje iz
tehničkih ili nekih dnigih razloga nije pogodno uključivati u sam tekst izveštaja.
Dodaci su posebno karakteristični za studentske radove i teze, a retko su prisutni
u člancima. Medutim, APA pravila i mnoge redakcije zahtevaju da sve tabele i
grafikoni budu na kraju rada (iza dodataka). Mi ćemo podrazumevati da su tabele
i grafikoni takođe deo „dodataka i priloga”, pa ćemo ih ovde skupa tretirati.
Osnovni razlog da se neki deo rada stavi u priloge je njcgova obirnnost. U
priloge se stavljaju uzorci primenjenih testova i upitnika, kompleksna matema-
tička izvođenja, spiskovi reči koje su korišćene kao draži, računarski listinzi,
detalji o primenjenim metodama i sl. Pored toga, u prilozima će se naći volumi-
nozne tabele i grafikoni.
Ako se tabele i grafikoni stave u prilog, onda se u tekstu moraju tačno
referisati. Da bi se mogle tačno referisati, sve stavke u prilozima moraju biti jasno
numerisane, moraju počinjati na novoj strani, moraju sadržavati kratak i infonna-
tivan naslov, a redovi, kolone, koordinatne ose i drugi elementi tabela i grafikona
moraju biti jasno obeleženi. Statistički programi obično omogućuju dobro
obeležavanje tabela i grafikona, ali samo ako autor prethodno unese nazive svih
varijabli i kategorija. Ako to nije učinio pre obrade, onda priložene tabele i grafi-
koni mogu biti potpuno nečitljivi, pa ih treba propratiti legendom. Prilikom
referisanja treba se pozvati na broj stavke (recimo tabele).
Spisak literatu re - Jedno od vrlo važnih poglavlja istraživačkog izveštaja
je spisak literature. On može da se navede na više mesta u radu, ali prepomču-
jemo da se to uradi odmah iza zaključaka. S obzirom na značaj ovog poglavlja i
vrlo prisutnu šarolikost pravila i iz toga proistekiih nedoumica, posvetićemo mu
posebno poglavlje.
Istraživački izveštaj može da ima još neke elemente koji su manje važni sa
stanovišta smisla i značenja, ali se uključuju zato što ih zahteva redakcija naučne
publikacije, ili zato što ih nalažu bibliografski, protokolami ili kurtoazni razlozi,
a može da ih uključi i sam istraživač po svom nahođenju. Na primer, autor može
iza rezimea da stavi jednu ili dve rečenice u kojima citira značajnu izjavu nekog
važnog autora, poslovicu ili nešto slično. APA pravila nalažu da postoji i zaglav-
Ije na svakoj strani, a u dnu prve stranice se često navode ustanove koje su finan-
sirale projekt.
Naravno, kao što kaže naslov poglavlja, popis i opis delova se odnosi na
istraživačke izveštaje. Taj format neće biti primeren za svaku vrstu naučnog rada
(npr. za uvodnike, osvrtc, eseje).

3. Način citiranja i spisal< literature

Značajno poglavlje svakog naučnog rada je „literatura”, odnosno „spisak

literature”, „korišćena literatura”, „bibliografija”, „refcrence” ili slično. Vlada
velika šarolikost načina fonniranja ovog spiska i načina pozivanja na druge
naučne radove. Zbrka počinje već sa terminologijom; jer kao što se vidi iz uvodne
rečenice sam naziv poglavlja može biti različit. Elementi tog spiska - stavke - su
naučni radovi na koje se poziva pisac istraživačkog izveštaja.
Treba znati da u svetu postoji nekoliko uglednih načina navodenja literatu-
re, izvestan broj manje uglednih i još toliko internih i modifikovanih pravila. Mi
ćemo početi od međunarodnog standarda ISO 690/1987 (http://www.collections
canada.ca/iso/tc46sc9/standard/690-le.htm) da bismo izneli osnovne elemente
bibliografskih referenci i varijante njihovog navođenja. ISO standard elemente u
spisku literature naziva bibliografskim referencama. Kada se bibliografska refe-
renca navodi u tekstu, onda ISO standard to naziva citatom (eng. citation). Naziv
bibliografska referenca nije sporan i prihvatljiv je i u našem jeziku, ali drugi
naziv, citat, u našem jeziku je sporan jer ima jedno drugo značenje. U ovom
tekstu često „citat” nazivamo referencom, jer ako se u tckstu naučnog rada napiše
npr. (Fajgelj, 1970) to je referenca na spisak literature - čitalac se upućuje, oba-
veštava da u spisku potraži puni naziv navedenog rada. Dobra zamena za ISO
naziv „citat” bila bi „poziv na referencu”. Na engleskom se sreće sledeća tennino-
loška ]5raksa; postoji referenca u tekstu i referenca u spisku, prva odgovara ISO
citatu, a druga ISO bibliografskoj referenci.
Pravila koja se primenjuju i koja se piscu naučnog rada obično postavljaju
kao zahtev odnose se na:
• format poziva na referencu - „referenca u tekstu”,
• format bibliografske reference - ,,referenca u spisku” i
• položaj spisaka literature u tckstu.
Pošto bi u tekstu bilo krajnje ncpraktično da se svaki put navodi puni tekst
bibliografske reference, koristi se neka vrsta skraćenice. Pravila defniišu kako
treba da izgleda ta skraćenica da bi povezivanje ove dve reference (u tekstu i u
spisku) bilo jasno i nedvosmisleno. Spomenuti ISO standard dopušta tri varijante.
I . Numeričko referisanie
Problem bibliografije u naučnim radovima se danas obrađuje sistematski, kao
posebna disciplina (5). Kao što mnogi danas konstatuju, problem sastavljanja
 bibliografije uopšte nije iak, što dovodi do toga da ga, l^al(o konstatuju Parsell i
Biight (21, str. 460), autori obave pogrešno, ili da čak izostave kompletnu biblio-
grafiju radova (Hauptman, 5).

5. Hauptman, Robert (1999). VVhatever Happened to Bibliographies? Chronicle of

Higher Education, Vol. 45 Issue 23, 810-812.

21. Parsell, Glennys; Bligh, John (1999). AMEE Guide No.17: W riting for journal
publication, h/ledical Teacher, Vol. 21 Issue 5, 457-469.

Dakle, u tekstu se navodi redni broj reference iz spiska, zatvoren u zagrade.

Ime (imena) autora se može navesti ispred ili iza zagrade, ili ne mora uopšte. U
zagradi se, iza poziva na broj, mogu staviti i druge potrebne informacije, kao što
je broj strane). Dakle Je d n a bibliografska referenca ima jedinstven broj u čitavom
tekstu, preko koga se referiše.
2. Fusnote
Problem bibliografije u naučnim radovima se danas obraduje sistematski, kao po-
sebna d isciplina ". Kao što mnogi danas konstatuju, problem sastavljanja biblio-
grafije uopšte nije lak, što dovodi do toga da ga, kako konstatuju Parsell i B light'^
autori obave pogrešno, ili da čak izostave kompletnu bibliografiju ra d o v a 'l

" Hauptman, Robert (1999). W hatever Happened to Bibliographies?

Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; W riting fcr journal
publication.

” Hauptman, 1999, str. 811.

Postoji nekoliko varijanti ovog rešenja koje ISO dopušta. Suština je u tome
da referenca u tekstu predstavlja samo broj ftisnote. U fusnoti se navodi potpuniji
opis bibliografske reference; ime (imena) autora, naziv rada i sve drugo što je
potrebno da taj poziv na referencu bude nedvosmislen. U fusnosti se može navesti
i broj strane, kao i drugi potrebni komentari. Fusnota ne mora da sadrži samo
jednu referencu; ako se u tekstu uzastopno citira nekoliko radova, svi mogu biti
svrstani u jednu fusnotu.
U gomjem primeru se vidi i razlika izmedu prvog i naknadnih citata; u
drugom je Hauptman naveden kraće nego u prvom. ISO dozvoljava da u naknad-
nim citama bude čak samo broj fusnote u kojoj je rad prvi put referisan.
Inače, korišćenje fusnota za citiranje radova je još uvek veoma uobičajeno
u nekim naučnim disciplinama. Starije naučne publikacije su poznate upravo po
skraćenicama ibid. i op. cit. koje su se koristile u fusnotama. TenTiin ibidem (isto)
se koristio za označavanje rada koji je upravo citiran, po pravilu na istoj strani.
Opus cilatum (navedeno delo) se koristio za naknadno citiranje, ali kada je od
prethodnog citata prošlo više strana. ISO ne predviđa način citiranja sa „ibid.” i
,,op. cit.” Međutim, Kate L. Turabian je još 1937. napisala priručnik za pisanje
teza i disertacija i, između ostalog, propisala način citiranja piitcm fusnota. Zbog
prošlosti i tradicije, njena pravila (sa fusnotama) su i danas jedna od tri najčešće
navodena pravila pisanja naučnih radova (iza APA i MLA, vidi dole).
Sve u svemu, teško je naći opravdanje za korišćenje fusnota u citiranju
literature. Jedan problem je što treba voditi računa o tome kada je rad prvi put
citiran, a kad nije. Mediitim, ozbiljniji problem je to što stari način korišćcnja
fusnota ne predviđa uopšte spisak literature na jednom mestu. To pravi probleme
kako čitaocu, tako i agencijama koje se bave bibliografskim pokazateljima. Da bi
se napravio spisak citirane literature treba pročitati čitav rad/publikacija. Zato je
po ISO standardu predvideno da na kraju rada postoji jedinstveni spisak literature
(čak i kad se koristi pravilo fusnota).
3. Metod nrvou elementa i godine
Problem bibliografije u naučnim radovima se danas obrađuje sistematski, kao po-
sebna disciplina (npr. Hauptman, 1999). Kao što mnogi danas konstatuju, pro-
blem sastavljanja bibliografije uopšte nije lak, što dovodi do toga da ga, kako kon-
statuju Parsell i Bligtit (1999, str. 460), a utori obave pogrešno, ill da čak izostave
kompletnu bibliografiju radova (hau'ptman, 1999).

Hauptman, Robert (1999). W tiatever Happened to Bibliographies? C h ro n ic le o f

H ig h e rE d u c a tio n , Vol. 45 Issue 23, 810-812.

Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; Writing for joum al
publication, M e d ic a l T e a c h e r, Vol. 21 Issue 5, 457-469,

Odmali treba reći da je ovaj način pozivanja na referencc optim alan.

Zastupa ga američko udriiženje psihologa (APA, www.apa.org) u okviru svog
vrlo uglednog APA Publication Manual-a (2001) i i Udruženje za savremeni jezik
(Modem Language Association - MLA, www.mla.org). U APA ga nazivaju i
„citiranjem pomoću zagrada” (engl. parenthetical citation) jer se pri citiranju imc
autora i godina zatvaraju u zagrade.
Ako postoji više autora, u referenci u tekstu koristi se ime prvog, a ostali se
zamenjt^u sa ,.et al.” ili ..i sar.”. Ipak, APA sugeriše da se navede sto više aulOi'a'
i da se ,,et ai.” koristi samo kada ima tri iTTviše autora. Isto tako, ako ime autora i
godlna ne daju jedinstvenu identifikaciju rada, onda se iza godine stavljaju mala
slova a, b, c, itd., kako u spisku referenci, tako i u referenci u tekstu.
Sledeće važno pitanje je kako trcba da izgleda puni format bibliografske
reference. Zbog različitosti tekstova koji se citiraju, teško je dati generalni fomiat
stavke; nekada ne postoji autor, nekada nije poznat datum objavljivanja, nekada
ne postoji izdavač, nekada ne postoji čak ni naziv teksta (npr. kada se autor pozi-
va na ličnu komunikaciju sa nekim poznatim autorom). Smatra se da postoje četiri
osnovna tipa referenci i da se iz njih može izvesti većina oslalih. To su: a) članak
u časopisu, b) knjiga, c) poglavlje u knjizi i d) članak u elektronskom obliku.
 Svaka od ovih referenci ima nekoliko karakterističnih celina. Neke od tih
celina moraju obavezno biti navedene u referenci u spisku. Navešćemo koje su to
celine, u zavisnosti od tipa reference.
9 Referenca za članak u časopisu mora da sadrži: autore, godinu izdanja, nas-
lov članka, naziv časopisa, broj časopisa (tzv. vohuB cn) i redne brojeve
strana.
9 Referenca za knjigu mora da sadrži: autore, datum izdanja, naslov, grad u
kome je knjiga izdata i naziv izdavača.
a Referenca za poglavlje u knjizi mora da sadrži: autore poglavlja, datum
objavljivanja, naslov poglavlja, urednike knjige, naziv knjige, brojeve
strana poglavlja, grad u kome je knjiga izdata i naziv izdavača.
e Reference za elektronske radove su, nažalost, još uvek u fazi razvoja.
Relevantne celine su: autori, naslov rada, godina, datum pristupania (ako je
na Intemetu) i IJRL (v.'). ali postojejoš i dmge informacije koje treba nave-
sti d a b i seTHentifikovao izvor rada.
Vrlo su poznata i prihvaćena APA pravila (2001), pa ćemo jedan njihov deo
iskoristiti za ilustraciju različitih varijanti referenci. To neće biti potpuni spisak i
u praksi treba očekivati da se pojave neki izvori koie ie teško cit_iiati..Dobra prak-
sa je da se generalno, a posebno u problematičnim slučajevima, navede što viSe
iufnrmaciia koie čitao'-" n-)nf^ii Hn pomopnu ila nađe referisano delo. U našoj pu-
biicistici se APA pravila obično nc poštuju doslovno, najvećim delom zato što su
menjala (kao i vcćina drugih pravila), ali i zato što su vrlo složena i iz verzije u
verziiu sve detaljnija. Zatim, neki naši autori prevode izraze kao što su „editor”,
„second edition” ili ,,in”, a neki ne prc^’ode. Kod nas se može sresti i različita
interpunkcija: umesto tačke, naši autori celine često razdvajaju zarezima. U ovoj
knjizi se koriste nešto prilagođena APA pravila, kako za citiranje, tako i za
navođenje referenci. Na Internetu se može naći mnogo stranica sa uputstvima za
primenu APA pravila, npr. http://webster.commnet.edu/apa/ ili http://owI.engIish.
purdue.edu/handouts/research/r_apa.htmI
Autor ie nepoznat ili ga nema fčest slučai u novinama)
Caffeine linked to mental illness. (1991, 13 ju l). New York Times, str. B I3,
BI5.
(Napomena: kurzivom se označava pubiikacija u kojoj jc objavljen rad.)

Kniigc
Strunk, W .,Jr., White, E. B. (1979). The elements o f style (3. izdanje). New
York: Macmillan.
American Psychiatric Association. (1990). Diagnostic and statistical
manual o f mental disorders (3. izdanje). Washington, DC: autor.
(Napomena: „autor” se u prethodnoj referenci koristi zato što su autor i iz-
davač isti.)
 Freuđ, S. (1961). The ego and the id. U J. Strachcy (ur. i prev.), The stan-
dard edition o f the complete psychological works o f Sigmund F reud (Vol. 19, 3 -
66). London: Hogarth Pre.ss. (originalni rad jc objavljen 1923)
(Napomena: u tekstu bi poziv na prethodnu referencu trebao izgledati kao
(Frcud, 1923/1961). Skraćenice ur. i prev. značc urednik i prevodilac. U
gornjcm primeru se vidi da je F ro jS o ^ d elo objavljeno u zborniku svih nje-
govih radova, čiji je urcdnik bio Strachey.)
Eleklronski mediii
Tator, C., Carson, J. D., Cushman, R. (21.3.2000.) Hockcy injuries o f the
spine in Canada, 1966 - 1996. CMAJ: Canadian Medical Association Journal,
Vol.162, Issue 6, 787. Pristupljeno 15.11.2000. iz baze EBSCO (Academic Sea-
rch Elite) na: hltp://vvw\v.epnet.com/chost/login.html.
(Napomcna: ovoje samo mali primercitiranja elektronskih radova. Spome-
nuti rad je citiran sa Interneta, tako da mora imati svoj URL iHaFum kada
mu je pristupljeno (zbog ovde spomenutog kratkog života resursa na Inter-
netu). Izraz „pristupljeno” je uslovni prevod uobičajenih eng. izraza „cited”
i „retrievcd”.)
Cirunni ili institucionahii autori
Filozofski fakultet Novi Sad. (1993). Ovde ide naslov rada. Zhoriiik nečega
o nečcmu, 8, 5-9.
Clanak u naučnom časonisu
Spitch, M. L., Verzy, H. N., Wilkic, D. M. (1993). Subjcclive shortening: A
model of pigeons' memory for event duration. Jourhal o f Experimental Psycho-
logy: Aniina! Behavior Processes, 9, 14-30.
Pismo uredniku
O'Ncill, G. W. (Januar 1992). In support ofD SM -llI (pismo uredniku]. APA
Monitor, 4-5.
Clanak u časopisu za i:iopularizaciiu naukc
Gardncr, H. (Decembar 1991). Do babies sing a universal song? Psychology
Today,10--l(s.
Ćlanak u novinaina
Bro\vn, L.S. (Proljeće 1993). My research w'ith orangs. ThcPsycho!ogy De-
partment News!elter, 3, 2.
Eseii. brošure. pamfleti
Fondacija „Humanitarac” (1992). Čuvajmo našu djecu. (9. izdanje) [bro-
šura]. Podgorica: autor.
Problempozicije, odnosno lokacije spiska literature već smo pomenuli kada
smo diskutovali način pozivanja referenci u tekstu. Rečeno je da su nekada donii-
nantna bila tzv. Turabian pravila, koja su još uvek uobičajcna u nekim diseiplina-
ma i naučnim časopisima i u kojima ne postoji spisak literature na kraju rada,
nego su sve bibliografske reference smeštene u fusnote.
Mnogo bolji načinje da postoji jedinstven spisak literature koji se u slučaju
kraćih tekstova stavlja na kraj, a u slučaju dužih tekstova (knjiga) postoje dve
varijante: iza svakog poglavlja i na kraju knjige. Smeštanje spiska literature iza
svakog poglavlja u knjizi ima praktičnu prednost je r zahteva manje hstanja strana,
ali nije praktično ako u knjizi uopšte ne postoji kompletan spisak svih citiranih
radova.

4. Pisanje teza i disertacija

Pisanje dužih naučnih radova, kao što su knjige, nije u fokusu metodološ-
kog priručnika za istraživanje ponašanja. Sasvim je jasno da se duži radovi ne
mogu pisati na isti način kao i istraživački izveštaji koji se pišu u formi članaka za
časopise i koji se stalno nalaze pred iskušenjem kako da balansiraju infoiTnativ-
nost i konciznost.
Medutim, pisanje diplomskih radova, magistarskih teza i doktorskih
disertacija („teze i disertacije”) u oblasti empirijskih istraživanja ponašanja, su
vrsta istraživačkog izveštaja sa posebnom namenom. Ta namena, edukativna,
oslobođa ih zahteva za kratkoćom, ali njihova opšta skica potpuno odgovara onoj
koju smo opisali u odeljku o delovima i strukturi istraživačkih izveštaja. U tom
pogledu nema h ’alitativne razlike izmedu istraživačkih izveštaja iz „pravih” istra-
živanja, koji se objavljuju kao članci u serijskim publikacijama i teza i disertacija,
kao izvcštaja iz „edukativnih” istraživanja (v.). Razhku treba posmatrati samo
kao kvantitativnu - teze i disertacije su generalno mnogo voluminoznije od
uobičajenih istraživačkih izveštaja.
Ipak, ono što se naziva „originalni naučni doprinos” nije bez značaja u edu-
kativnim istraživanjima. Naime, samostalni naučni doprinos predstavlja ono što
smo ovde na više mesta isticali kao ideju vodilju, bez njega ne može postojati
„slant”, on je okosnica i temelj rada u cehni. Takode, teško je oceniti metodolo-
giju rada kao dobru ako su zaključci trivijalni. Opšti pristup, vladanje metodo-
logijom i istraživačkim tehnikama se, zapravo, dokazuje kroz naučni doprinos,
ma koliko on bio skroman. Na pitanje šta je naučni doprinos nije lako odgovoriti,
nego je dužnost mentora, komisija i naučnih i nastavnih ustanova da ocene da li
on postoji. Vehki samostalni naučni doprinos se, naravno, ne očekuje od seminar-
skih i diplomskih radova. Medutim, za magistarske teze, a posebno za doktorske
disertacije se smatra da ih mora krasiti originalan doprinos naučnom znanju. Ako
doktorska diseitacija nije doprinos nauci, onda se za njenog autora ne može reći
da poseduje naučno-islraživačke kompetencije.
Ono što smo u odeljku o delovima i struktiiri istraživačkih izveštaja nazivali
odeljcima, odnosno delovima, ili ih opisivali kao stavke koje se mogu ili moraju
naći u tim poglavljima, obično će u tezama i disertacijama dobiti status poglavlja.
Zbog edukativne prirode ovih izveštaja, autor mora dokazati da vlada svim
istraživačkim elementima, od formulisanja problema, preko istraživanja biblio-
leke do zaključaka. Kod nas se posebna pažnja posvećiije uvodu (više nego što je
to stvamo potrcbno), od koga se očekuje da predstavlja obiman pregled čitave
oblasti, pored delova koji se u uvodu standardno očekuju.
Naravno, pre nego što počne da piše tezu ili disertaciju, kandidat mora da
konsultiije pravila i običaje koji u toj oblasti važe u ustanovi u kojoj će rad
braniti. U rmiogim knjigama, udžbenicima i publikacijama, kao i na Intemetu,
može se pročitati o stmkturi izveštaja i o stilu pisanja, ali ne samo o tome, nego i
o opštem pristupu i metodologiji izradi teza i disertaeija. Mogu se naći čak i
predlozi tcma podobnih za izradu diplomskih radova. Jedna od mnogih takvih
adresa na Internetu je http://www.esc.edu/^vriter na Empire State CoIIege.
Na našim univerzitetima ne upadaju u oči detaljna pravila za pisanje teza i
disertacija. To možda nekim kandidatima odgovara, dok kod većine stvara
pogrešnu sliku o onome šta se od njih očekuje. Generalno, bilo bi bolje da svaka
naučna diseiplina u okvim jcdnog univerziteta i/ih fakulteta ima defmisane
standardne skice radova, praćene uputstvima i primerima i koje bi bilo javno
dostupne, recimo na Internetu. Naravno, svaki kandidat može sam u fakultetskoj
bibliotcci pogledati kako izgledaju radovi koji su ranije odbranjeni.
U ncdostatku manje ili više formalizovanih pravila, aii i kada ona postoje,
na mentom je da pomogne kandidatu u pogledu stmkture i sadržaja rada. Naveš-
ćemo jednu okvimu listu odlika za koje smatramo da krase dobar „edukativni”
rad. Neki od tih kritcrijuma su opšti i važe za sve istraživačke izveštaje, a neki su
specifični za „edukativna” istraživanja. Navedene odlike su smernice kandidatima
na šta da obrate pažnju kada sprovode istraživanje i pišu izveštaj. Za detaljnije
obrazloženje trcba pogledati odgovarajuća poglavlja u knjizi.

Urednost
• Rad u celini mora biti uredan, uredno prelomljen, odštampan i
ukoričen.
• Rad ne sme imati gramatičke, daktilografske i dmge “tehničke” greške.
Tačnost
• Literatura mora biti tačno navedena i citirana. Svi citati moraju biti
praćeni referencom, a sve navedene reference moraju biti citirane u
tekstu... Prilikom navođenja i citiranja treba tačno i dosledno poštovati
neko od pravila, najbolje APA.
• Prilozi, tabele i grafikoni ne smcju nedostajati ako se na njih poziva u
tekstu. Svi oni nioraju biti na odgovarajući i tačan način numerisani i ta
numeracija mora biti korišćena kada se na njih poziva.
• Svi stmčni termini iz naučne oblasti, iz metodologije i analize poda-
taka moraju biti pravilno i smisleno korišćeni.
• Interpretaeija statističkih nalaza (npr. faktora) mora biti dobra i smi-
slena, temiinologija standardna, a izvedeni zaključci tačni.
638 ♦ Metode istraživanja ponašanja

Komnletnost
• Rad mora obuhvatati sve dclove koje ima istraživački izveštaj, a
sadržaj rada mora biti prilagođen oblasti istraživanja, teorijskom pristupu i
odabranoj metodologiji.
• Ako je rad baziran na kvantitativnim tehnikama, sadržaj mora pratiti
IMRD ili neku shčnu strukturu,
• Pored standardnih poglavlja, pre svega poglavlja koje sadrži detaljan
opis memih instrumenata i procedura, dobar rad sadrži tabele koje su
pregledne i grafikone koji su uredni.
• Ako je rad baziran na kvalitativnim ih mešovitim telinikama, pasaži
koji se odnose na kvalitativue metode moraju biti napisani jezgrovito,
kvahtetno i pismeno. To se posebno odnosi na komentare istraživača i
ispitanika, opis potencijahiih interakcija istraživača i ispitanika, narativne
delove, deskripcije i dr.
• Rad na početku mora imati rezime na našem i stranom jeziku.
Kratak. iasan i fokusiran problem ili cili istraživania
• Istraživanje mora imati poentu, mora odgovarati na konkretna pitanja,
mora ispunjavati konkretne praktične zahteve, dokazivati konkretne hipo-
teze...
• U poglavlju o problemu ili cilju istraživanja moraju biti eksplicitno
navedene sve varijable: nezavisne, zavisne, kontrolne...
• Konfirmalivna istraživanja su uvek fokusiranija od eksplorativnih, zato
će dobar rad verovatno počinjati nekom opštom aii odrcđenom hipotezom,
koja će činiti okosnicu celog istraživanja.
• Ako se rad zasniva na istraživanju korelacionog tipa, on će za ideju
vodilju imati predvidanje ponašanja. Dobar rad će pre nastojati da utvrdi
“uticaj”, “predvidanje” ih “zavisnost od”, nego “povezanosf’, “odnos” ili
“vezu”.
• Ako je istraživanje strukturahiog tipa, dobar rad će nastojati da potvrdi
neko teorijsko očekivanje (recimo o broju faktora) ili neku odrcđenu stru-
kturu.
• Naslov rada treba da proističe iz problema istraživanja, hipoteze
proističu iz problema, a analiza podataka služi odgovoru na istraživačka
pitanja. Svi delovi rađa slede jednu osnovnu i logičnu nit - rad ne sme da
promašuje tcmu.
Kratak. sažet i pregledan uvod
• Cilj uvoda je da kandidat demonstrira da je u stanju da napravi pregled
oblasti na koju se rad odnosi. Dobar rad će sadržavati uvod u kome se
citira savremena literatura i u kome se prccizno locira vlastito istraživanje
u odnosu na prethodna istraživanja.
• Uvod ne trcba da bude dug. Dužina uvoda ne govori o njegovom
kvalitetu, niti o kvalitetu rada.
 • Pregled literature, kao poseban korak u istraživanju (istraživanje bibli-
oteke ili Intemeta), mora biti jasno i eflkasno izložen: šta je pročitano, šta
doniinira, koja su altemativna gledišta...
• Pregled oblasti mora biti napisan kratko i kritički, najbolje kao kompa-
racija osnovnih teorija i pristupa i kao pregled osnovnih problema unutar
oblasti...
• Izbor teorijskog okvira i pristupa mora biti jasno naveden i obrazložen.
• Citiranje (a njega je najviše u uvodu) mora biti formalno ispravno i
mora stvanio dokumentovati kritične tačke oblasti koja se istražuje.
Smislena i iasna pitania i hipoteze
• Hipoteze nisu nužne u istraživanjima koja su deskriptivna, eks-
plorativna ili korelaciona, Medutim, saznajna vrednost istraživanja koja
imaju jasne hipoteze je veća od istraživanja koja ih nemaju. Ako nema
hipoteze, dobar rad će uvek imati istraživačka pitanja koja upravljaju
celim njegovim tokom.
• Istraživačka pitanja i hipoteze nisu trivijalni, fomialni i prazni iskazi.
Oni moraju biti kreativna ali operacionalna reformulacija istraživačkog
problema.
• Postoje jedno ili dva osnovna pitanja i ne više od 5-7 potpitanja ili
specifičnih hipoteza.
• U dobrom radu se hipoteze ne formulišu kao statistička nulta hipoteza,
jer tako u istraživačkom smislu postaju trivijalne, a po logici stvari istraži-
vačke hipoteze su upravo suprotne, one su altemativne nultoj. Istraživačke
hipoteze se testiraju sa jednom ili više nultih hipoteza.
• Za hipoteze se koriste fomiulacije kao što su: “postoji razlika...”, “uti-
če na”, “će rezultirati...”, “biće bolji-brži-viši...”, “postoji povezanost...”
itd.
• Istraživačka pitanja će sadržavati formulacije kao što su “kakve su
razlike izmedu...”, “da li utiče...”, “šta su odlike...”, “zašto se (su).,.”,
“kako se (su),.,”, “da li je moguće da.,,” itd,
Kritičnost
• U uvodnom poglavlju, prilikom lociranja vlastitog istraživanja i izbora
teorijskog okvira, altemativni i suprotni okviri i pristupi su pošteno i kva-
litetno prikazani.
• Rad u celini, kao ni njegovi delovi, nisu apologija bilo komc ili bilo
čemu, niti se nekritički prihvata neka od teorijskih perspektiva.
• Navode se i razmatraju altemativnc hipoteze i altemativni pristupi,
koji su poznati iz literature i prethodnih istraživanja.
• Ukazuje se na uočene nedostatke i ograničenja u pristupu u celini ili u
samom radu. Ukazuje se na moguća poboljšanja. Kritički osvrt je moguće
izložiti i u ekspozeu ili tokom odbrane.
• Razmatraju se altemativni memi instrumenti ili nacrti istraživanja, i
obrazlažu se razlozi zašto su odabrani oni koji su odabrani.
 • Razmatraju se altemativna tumačenja, objašnjenja i zaključci.
Intema validnost
• Istraživanje mora biti takvo da svi prethodni koraci direktno podržava-
ju donesene zaključke, da zaključci direktno slede iz nalaza i da nalazi ne
podupim i eventualne druge zaključke.
• U dobrom radu postoji analiza internc validnosti i mogućih izvora nje-
nog ugrožavanja. Ona će obuhvatati neke od dole navedenih, ali i druge
elemente.
• Nacrt istraživanja mora biti primeren cilju istraživanja i konačnim
zaključcima.
• Tokom realizacije odabranog nacrta istraživanja ne sme doći do bitnih
odstupanja od projekta (npr. osipanja uzorka ili neočekivanih događaja).
• Kontrola varijabli, kao što su izbor kontrolne gmpe, procedure jedna-
čenja grupa, odnosno kontrola neželjene varijanse u celini moraju biti
kvalitetni i dobro obrazloženi.
• Sva poređenja koja nacrt omogućava i koja su važna za interpretaciju
treba iskoristiti, sprovesti i analizirati.
• Instmmenti ne smeju biti menjani u toku istr., u istraživanjima u
kojima je to važno (npr. eksperimentalnim), ispitanici ne smeju razme-
njivati iskustva, ispitanici ne smeju sticati iskustvo ili sazrevati tokom
istraživanja...
• Procedure prikupljanja podataka moraju biti obavljene u skladu sa
ciljevinia; ankete moraju biti anonimne, intervjui jednaki za sve, testovi
primenjeni u saradljivoj atmosferi...
• Statističke tehnike moraju biti pravilno odabrane, primenjene i protu-
mačene.
Eksterna validnost
• Od većine istraživanja se očekuje gencralizabilnost. Zato će dobar rad
posedovati ekstemu validnost, analizu mogućih izvora njenog ugrožavanja
ili obrazloženje zašto ekstema validnost nije bitna.
• Ciljna populacija(e) je definisana eksplicitno i jasno.
• Primenj ena j e neka od poznatih procedura uzorkovanj a, sprovedena j e
sistematski i obrazložena.
• Uzorak je reprezcntativan za ciljnu populaciju, tj. koji je odabran
slučajno ili kvotno ima prednost nad dmgim vrstama uzorka.
• Uzorak objekata je dovoljno veliki.
• Ako uzorak nije dovoljno velik i nije biran nepristrasno, mora postojati
obrazloženje zašto je to tako.
• Ako je uzorak odabran prigodno ili namemo, to treba biti komentari-
sano: npr. izabrana je neka prirodno formirana gmpa (odeljenje u školi,
porodica, zajednica i sl.), ili su izabrani dobrovoljci...
 • Mora biti obrazloženo kakve posledice može imati loš uzorak na rezul-
tale, odnosno u kom pogledu je ugrožena ekslerna validnost istraživanja
zbog takvog uzorka...
Pouzdanost i valjanost podataka
• Primenjeni instnimenti moraju imati poznata i proverena mema svoj-
stva i moraju poticati iz poznatih i legalnih izvora.
• Merna svojstva instnirnenata (ocenjivača, posmatrača, procedura) će
biti izračunata, ako je moguće, ili će biti predočena ona koja postoje u
priručnicima ili u prethodnim radovima.
• Ocenjivači, posmatrači, intervjueri i drugi saradnici će proći proces
obuke (usaglašavanja, odnosno ujednačavanja).
• Metode prikupljanja podataka - testovi, upitnici, intervjui, fokus grupe
i sl. - moraju biti pravilno primenjene, na takav način koji će mak-
simizirati njihovu pouzdanost, valjanost i objektivnost.
• Ako su korišćeni ocenjivači, mora ih biti barem dva i mora biti prika-
zan stepen njihovog slaganja.
Multimetodski pristun i triangulaciia
• Dobar rad, u skladi\ sa savremenim shvatanjima, nastojaće da nalaze
proveri putem neke druge tehnike prikupljanja podataka.
• Za to može da posluži neki drugi niemi instrument.
• Posebno je korisno ako se u kvantitativnim istraživanjima primeni pro-
vera nekom kvalitativnom tehnikom, recimo izlaznim intervjuom.
• Isto tako, ako je rad baziran na kvalitativnim telmikama, svaka tehnika
koja kvantifikuje dobijcne nalaze doprineće uvcrijivosti rada.
Kandidat razume ono što ie napisao
• Iskazi, tvrdnje, konstatacije i tumačenja, posebno u delovima koji
sadrže primenu statistike, psihometrije, posebnih metoda prikupljanja
podalaka ili eksperimentalnih procedura moraju biti smisleni, pravilni i
tačni. Time se dokazuje da je kandidat usvojio znanja iz “istraživačke
tehnologije”, ali i da je rad obavljen samostalno.
• Stručni i naučni termini se moraju pravilno koristiti.
Samostalnost
• Po defmiciji, edukativni rad se izvodi samostahio. Postoje odredene
situacije koje mogu da interfcriraju sa samostalnošću i koje moraju biti
jasno rcgulisane.
• Na primer, ako podaci potiču iz nekog šireg projekta, to ne oslobada
kandidata obaveze da napiše kompletan rad - i dalje morajti postojati
poglavlja “Uvod” i “M etode”, na primer.
• U takvim slučajevima, u radu će biti jasno opisano o kakvom projektu
je reč i u kom svojstvu je autor-kandidat učestvovao.
• Mora biti eksplicitno i uverljivo navedeno pravo kandidata da koristi
podatke iz projekta i prethodne nalaze (ukoliko nisu objavljeni).
 • Kandiđat treba jasno i kritički analizirati i objasniti teorijski i meto-
dološki okvir pod kojim su podaci prikupljeni, svojstva uzorka, merni
instrumenti... kao da ga je on sam usvojio.
• Ako je mentor odredio temu, instrumente ili pristup... onda to treba da
bude jasno iz rada (mora se citirati mentorov ili neki drugi rad koji prcd-
stavlja polaznu osnovu). Kandidat mora pokazati da u potpunosli razume
taj izbor i da ga brani, ali ga to ne oslobada obaveze kritičnosti, fokusira-
nosti ili samostalnosti.
Originalnost
• U bilo kom pogledu.
• Originalnost teme, izbora instrumenata, metoda, analize podataka.
• Originalnost nacrta istraživanja, načina kontrole eksternili varijabli,
kontrole anonimnosti, motivacije ispitanika da učestvuju...
• Originalnost instrumenata, ako ih je konstruisao kandidat, Originalna
upotreba postojećih instrumenata, metoda i tehnika.
• Originalnost prikazivanja rezultata i grafikona.
• Korišćenje računarski podržanih prezentacija, audio i video materijala,
npr. u ekspozeu...
Fokusiranost
• Rad u celini mora posedovati fokusiranost, a ne opširnost. Takav tekst
će od uvoda do zaključaka biti podređen osnovnoj temi rada, sadržanoj u
naslovu i uvodu.
• Dugački uvodi ne doprinose fokusiranosti.
• Vehki broj istraživačkih pitanja i hipoteza nc doprinose fokusiranosti.
• Eksplorativni nacrti istraživanja ne doprinose fokusiranosti.
Prilagodenost statistike nodaeima
• Mora biti zadovoljavajuća - pragmatična. Ne mora biti „knjiška”, ali
mora biti jasno obrazložcna. Na primcr, tehnikc se često koriste po kon-
venciji (Likertove skalc se tretiraju kao intcrvalne), ili zato što su sUčni
radovi koristili istu tehniku, ili zato šlo jc pokazano da “monotone trans-
fomiacije podataka ne menjaju r-koeficijente, /-testovc i 7*'-testove”, Kan-
didal mora znati da tokom ekspozea ili odbrane obrazloži zašto je pri-
menio neku statističku operaciju,,.
• Ako su koriSćene MVA tehnike (rccimo FA), niora biti obrazloženo
zašto je zadržan jedan broj dimenzija (faktora), a ne neki drugi.
• Uz faktorsku analizu ćc postojati obrazloženjc za izbor tipa ckstrakcije
inicijahiih faktora i vrste rotacije (nekorehrana ili korclirana)...
• Izbegavaju se kontraindikacije za primenu statističke tchnike, ih su
one analizirane i obrazložene. Tu se ubrajaju jake deformacije u distribu-
cijama varijabli, nelinearne povezanosti, nepovoljan odnos broja objckata
prema broju varijabli u MVA tchnikama, niske očekivane frekvencije u
tabelama kontingencijc itd.
 • Ako sa podacima „nešlo nije u redii”, ireba upotrebiti statističke tehni-
ke namenjene nižem nivou, ili ih barcni uporediti sa dobijenim naiazima.
Na primer, ako distribucija kvantitativnih podataka značajno odstupa od
normalne treba pokušati sa statisticima namenjenim ordinalnim varija-
blama ili neparametrijskim statisticima.
• Na zavisnim uzorcima treba primenjivati statističke testove namenjcne
zavisnim uzorcima.
Pilot istraživania
• Rad je bolji ako sadrži pilot istraživanje u bilo kojoj formi i za bilo
koje potrebe: za konstrukciju instrumenata, proveru instnimenata, proveiii
metoda i procedura itd.
Obiektivnost kvalitativnih metoda
• Ako se koriste kvalitativne metode prikupijanja podataka, one moraju
zadovoljavati standarde naučne objektivnosti - proverljivosti - ponovlji-
vosti nalaza i zaključaka.
• Transkripti (zapisnici) moraju biti napravljeni profesionalno, a kodira-
nje i analiza kvalitativnih podataka moraju biti izvedeni sistematski i
objektivno.
• Sistem kategorija, tj. kodna shema koja se koristila za kodiranje poda-
taka iz neposrednog posmatranja, fokus grupa, intervjua, analiza sadržaja i
dnigih tehnika mora biti detaljno obrazložena.
• Svi zaključci moraju biti ilustrovani primerima iz zapisnika i izjavama
učesnika.
• Dobar rad će sadržavati opise procedura treninga i usaglašavanja oce-
njivača i posmatrača (ako ih ima više).
• Saglasnost ocenjivača, odnosno pouzdanost merenja mora biti kvanti-
fikovana nekim koeficijentom asocijacije.
• Kvalitativne tehnike, posebno studije slučaja, moraju biti sprovodene
pod jasnim i čvrstim teorijskim okvirom (theory drivcn). Ocene validnosti
i relijabilnosti, kao i izvodenje zaključaka se donose na osnovu saglasnosti
podataka i teorije.
Etičnost
• lako se podrazumeva da nijedan rad ne sme biti plagijat ili falsifikat,
ipak treba istaći da u tom pogledu nema “malih” kompromisa.
• Svi podaci i sve ideje, akcije, intelektualni proizvodi iii artefakti koji
su korišćeni u istraživanju, a pripadaju nekome drugomc, treba da budu
ispravno citirani i označeni,
• U slučaju kada je to potrcbno, treba biti dobijena saglasnost autora ili
vlasnika i mora biti eksplicitno navedeno da li je takva saglasnost
dobijena.
• To se posebno odnosi na psihološke meme instrumente - testove.
• Dobar rad sadrži izraz zahvalnosti svim učesnicima koji su pomogli
istraživanje i pisanje, a nisu bili obavezni.
 • Odnos prema ispitanicima i svim drugim učesnicima će biti fer. Ispita-
nici će biti tretirani kao saradnici i poštovaće se pravilo “informisane sa-
glasnosti”, makar dobijene i nakon sprovedenog istraživanja. U radu će
aspekt dobrovoljnosti-nedobrovoljnosti i načina dobijanja saglasnosti
ispitanika biti eksplicitno prikazan.
Sažet. originalan i zanimljiv ekspoze
• Usmeno izlaganje mora imati notu polemičnosti, mora biti usred-
sređeno na najvažnije stvari, ne sme biti prebrzo i mora imati ličnu notu...
• U ekspozeu se rad prikazuje na drukčiji način od onog kako je iskazan
u pismenoj formi. Posto je do odbrane prošlo neko vreme, kandidat može
steći jasniju sliku o onome što je napisao.
• Korišćenje tehničkih pomagala doprinosi kvalitetu ekspozea.

5. Pisanje projekta i predloga istraživanja

U poglavlju o strukturi i projektu istraživanja opisano je šta su projekt i

predlog istraživanja, šta u glavnim crtama moraju da sadrže i koja im je osnovna
namena.
Kandidatima situaciju olakšavato što je predlog teze ili diseilacije, u dome-
nu „edukativnih” istraživanja, analogan projektu istraživanja u domenu „pravih”
istraživanja, principi su slični. U osnovi, postoji značajno preklapanje u sadržaju
i načinu pisanja između svih nabrojanih klasa tekstova: projekata i predloga, s
jedne strane i istraživačkih izveštaja, teza i disertacija, s druge. U projektu i
predlogu neće, naravno, postojati poglavlje o rezultatima, analizi, diskusiji i
zaključcima, ali će podudarnost uvodnih poglavlja biti značajna. Razlikuju se
samo aspekti i pristup pisanju:
• projekti i predlozi treba da promovišu i obezbede uslove da
istraživanje počne,
• istraživački izveštaji treba da infomiišu naučnu i stručnu javnost, a
• diplomski radovi, teze i disertacije da istraživaču donesu akademski
stepen.
 IX. BIBLIO G RAFIJA

Aiken, L.R. (2002). Attitudes and Related Psychosocial Constructs - Theories,

Assessment andResearch, Thousand Oaks: Sage Publications.
American Eđucational Rcsearch Assoeiation - AERA (1999). Standards fo r edu-
cational andpsychological testing, autor, Washington; Amcrican Psycholo-
gical Association-APA i National Council on Measurement in Education.
Amcrican Psychological Association - APA (2001). Publication Manual o f the
American PsychologicalAssociation, Fifth Edition, Washington, DC: autor.
Amold, J., Silvester, J., Patterson, F., Robertson, I., Cooper, C., Burncs, B.
(2005). Work Psychology - Understanding Human Behaviour in the IVork-
place, Fourth edition, Harlow: Pearson Education, Prentice Hall, Financial
Times.
Baćcvić, Lj. (rcd.) (1994). Javno mnenje, Institut diTištvenih nauka, Beograd:
Centar za politikološka istraživanja i javno mnenje.
Baćević, Lj. (2004). In medias res - Efekti medija, Beograd: Institut društvenih
nauka.
Bailey, J.S., Burch, M.R. (2002). Research Methods in Applied Behavior Analy-
sis, Thousand Oaks: Sage Publications.
Baron, R.M., Kenny, D.A. (1986). The M oderator-M ediator Variable Distinction
in Social Psychological Research: Conceptual, Strategic and Statistical
Considcration, Journal o f Personality> and Social PsychoIogy, 51:6:1173-
1182.
Bemard, H.R., Ryan, G.W. (1998). Qualitative and Quantitative Methods of Text
Analysis, u Bemard, H.R. (ur.), (595-646). Walnut Creek, CA: AltaMira.
Bom, D. (1972). Uzročnost i slučajnost u savremcnoj fizici, Beograd: Nolit.
Bogardus, E. S. (1925). Measuring social đistances, Joiirnal o f Applied Socio-
log)>, 9, 299-308.
Bogardus, E. S. (1928). Immigration and race attitudes, Boston: Heath.
Bukvić, A. (1996). Načela izrade psiholoških testova (III izdanje), Beograd;
Zavod za udžbenike i nastavna sredstva.
Cattell, R.B. (ur.) (1966). Handbook o f Multivariate Experimental Psychoiogy,
Chicago: Rand McNally and Company.
Catterall, M., Maclaran, P. (1996). Using computer programs to code qualitative
data, Marketing Intelligence & Planning, 14:4:29(5).
Cohen, J. (1988). Statistical Power Analysis fo r the Behavioral Sciences, 2"'* edi-
tion, Mahwah, NJ: Lawrence Erlbaum Assoc.
Cohen, R.J., Swerdlik, M.E. (1999). Psychological Testing and Assessment (An
Introduction to Tests and Measurement), Mountain View, CA: Mayfield
Publishing Company.
Cozby, P.C. (2003). Methods in Behavioral Research, VII edition, Boston: Mc-
Graw-Hill Higher Education.
Cresv^’ell, J.W. (2003). Research Design: Qualitative, Quantitative and Mixed
Methods Approaches, II edition, London: SAGE Publications.
Dohan, D., Sanchez-Jankowski, M. (1998). Using computers to analyze ethnogra-
phic field data: iheoretical and practical considerations, Annual Review o f
Sociology, 24:1:477(22).
Dragićević, Č. (1984), Statistika za psihologe, Beograd: Centar za primenjenu
psihologiju.
Eysenck, H.J. (1971). Uses andAhuses ofPsycho!ogy, Harmondsworth, England:
Penguin Books.
Fajgelj, S. (1972), Simulacija kognitivnih procesa i vještacka inteligencija, Dip-
lomski rad, Filozofski fakultet, Beograd.
Fajgelj, S. (1975). Mogućnost zasnivanja opšte teorije grešaka, Gledišta, 16, 5-6:
461^79.
Fajgelj, S. (1995), Evaluacija statističkih obrada u istraživanjima javnog mnenja,
Sociološki pregled, Vol. XXIX, 1, 107-117.
Fajgelj, S. (2005). Psihometrija, inetod i teorijapsihološkog merenja, II dopunje-
no izdanje, Beograd: Centar za primenjenu psihologiju.
Fajgelj, S., Kuzmanović, B., Dukanović, B. (2004). Priručnikza socijalna istraži-
vanja, Podgorica: CID i SOCEN.
Fieki, A.P, (2001). Mcta-analysis of correlation coefficients: a Monte Karlo com-
parison o f fixed- and random-cffect methods, Psychologicai Methods, 6(2),
161-180.
Filipović, V. (ur.) (1965). Filozofijski rječnik, Zagreb: Matica Hrvatska.
Frary, R. (1997). A BriefG uide To Questionnaire Development, http://ericae.net/
ft/tamu/vpiques3.htm.
Gardner, H., Kornhaber, M.L., Wake, W.K. (1999). Inteligencija: različita gledi-
šta, Naklada Slap, Zagreb.
 Garson, D. (2000). PA 765 Statnotes, The Online Textbook, na http;//www2.
chass.ncsu.edu/garson/pa765/statnote.htm, (pristupljeno feb.2001.).
Ghiselli, E.li. (1964). Theory ofPsycho!ogicaI Mea.surement, London: M cGraw-
Hill.
Glaser, B. G. (1998) D oinggroim ded theory: issues anddiscussions, Mill Vallcy,
Ca: Sociology Press.
Good, C.V., Scates, D.E. (1967). Metode istraživanja u pedagogiji, psihologiji i
sociologiji, Rijeka: Otokar Keršovani.
Grosshans, W., Chelimsky, E. (1990). Case study evaluations, United States
Gcneral Accounting OlTice, Program Evaluation and Methodology Divisi-
on, (sa Intemeta, 10_l_9.pdf).
Gud, V., llet, P. (1966). Melodi socijahiog islraživanja, Jugoslovcnski zavod za
proučavanje školskih i prosvetnih pitanja, Dcograd: Vuk Karadžić.
Guetzkow, H. (1950) Unitizing and categorizing problems in coding qualitativc
data, Journal o f Clinical PsychoIogy, vol. 6, 47-58.
Guilford, J. P. (1968). O snovepsihološke ipedagoške slalislike, Beograd: Savrc-
mena administracija.
Guttnian, L. (1947). The Cornell techniquc for scalc and intensity analysis, Edu-
calional andPsyhological Measuremenl, VII, 2, 247-280.
Hambleton, R.K., Svvaminathan, H., Rogers, J.H. (1991). Fundamenlals o fh e m
Response Theory, Newbury Park, CA: SAGE Publications.
Hanneman, R.A., Riddle, M. (2005). Inlroduclion lo social nelwork melhods.
Rivcrside, CA: University o f Califomia, Riverside, http://faculty.ucr.edu/
-hannem an/ (pristup. avg. 2005).
Havelka, N., Kuzmanović, B., Popadić, D. (1998). Metode i tehnike socijalnopsi-
holoških istraživanja, Priručnik za vežbe iz Socijalne psihologije 1 i Socijai-
ne psihologije 11, Beograd: Centarza primenjenupsihologiju Društva psiho-
loga Srbije.
Insch, G.S., Moore, J.E. (1997). Content Analysis in Leadership Rcscarch: Exam-
ples, Procedurcs, and Suggestions for Future Use, Leadership Quarterly,
Vol, 8 Issue 1, 1-25.
Ives, B. (2003). Effcct Size Use in Studics o f Learning Disabilitics , Journal o f
Learning Disahilities, 00222194, Nov/Dec2003, Vol. 36, Issue 6.
Kadushin, C. (2004). IntroducHon to Social Network Theoiy (draft), http://liome.
earthlink.net/~ckadushin/Texts/Basic Network Concepts.pdf (pristup. avg.
2005).
Katel, R.B. (1978). Naučna analiza ličnosti, Beograd: BIGZ.
Kerlingcr, F.N., Lee, H.B. (2000). Foundations ofBehavioralResearch, IV editi-
on, London: Wadsworth, Thomson Publishing.
Koen, M. i Nejgel, E. (1965). Uvod u logiku i naučni metod, Bcograd: Zavod za
izdavanje udžbenika SR Srbije.
Konold, C. (1995). Issues in Assessing Conccptual Understanding in Probability
and Statisties, Journal o f Statistics Educalion, 3, 1, dostupno na http://
wwv/2.ncsu.edu/ncsu/konold.htm, (pristup. 9.9.1996).
Kreč, D. R. S. Kračfild i J. L. Balaki (1972). Pojedinac u društvu, Beograd: Za-
vod za udžbenike i nastavna sredstva.
Kreč, D., Kračfdd, R. (1973). Elementipsihologije, II izdanje, Beograd: Naučna
knjiga.
Kuzmanović, B. (2001). Etnička distanca u Cmoj Gori, u: Đukanović, B., B.
Kuzmanović, M. Lazić i M. Bašić, Nacija i država, 177-246, Podgorica:
SoCEN.
Langdridge, D. (2004). Introduction to Research Methods and Data Analysis in
Psychology, Harlovv, England: Pearson / Prentice Hali.
Likert, R. (1932). A technique for the measurement o f attitudes, Archives o f
Psyhology, No 140, 1-55.
Luce, R.D. (1999). Where is Mathematical Modeling in Psychology Headed?
Theory andPsychology, Vol. 9(6), 723-737.
Lyons, L.C. (2004). M eta - Analysis: Methods o f Accumulating Results Across
Research Domains, www.mnsinc.comysolomon/MetaAnalysis.html (pristu-
pljeno feb. 2004).
Marković, M. (1981) Filozofski osnovi nauke, Beograd: SANU.
Milić, V. (1965). Sociološki metod, Beograd: Nolit.
Momirović, K. (1988). Uvod u analizu nominalnih varijabli, Ljubijana: Jugoslo-
vensko udruženje za sociologiju i Fakulteta za sociologijo, politične vede in
novinarstvo.
Momirović, K., Wolf, B. (1997). Uvod u teoriju merenja, I. Metrijske karakteris-
tike kompozitnih mernih instrumenata, Beograd: Institut za kriminološka i
sociološka istraživanja, elektronsko izdanje. Dostupno i kao: Momirović,
K., Wolf, B., Popović, B. (1999). Uvod u teoriju merenja, I. Metrijske ka-
rakteristike kompozitnih mernih instrumenata, 2. izdanje, Priština: Fakultet
za fizičku kulturu.
Momirović, K. (ur.) (1998). Realnostpsiholoških konstrukata, Beograd: Institut
za psihologiju Filozofskog fakulteta i Institut za kriminološka i sociološka
istraživanja.
NunnaIIy, J.C., Bernstein, I.H. (1994). Psychometric theory - I I I Edition, New
York: McGraw-HiII Series in PsychoIogy.
Osgood, C. E, Suci, G. J, Tanneubaum, P. FI. (1957). Measurement o f Meaning,
Urbana: University of lllinois Press.
Ozgud, Č. (1963). M etod i teorija u eksperimentalnoj psihologiji, Beograd: Sa-
vreniena škola.
Pandit, N.R. (1996). The Creation of Theory: A Recent Apphcation ofthe Groun-
ded Theoiy Method, The Qualitative Report, Vol. 2, N. 4, (http://www.
nova.edu/ssss/QR/QR2-4/pandit.html).
Park, R. (1902). The concept o f social distance, Journal o f Applied Sociology,
VIII.
Pearl, J. (1996). The Art and Science of Cause and Effect, predavanje održano na
UCLA u okviru ,,Faculty Research Lecture Series”.
Pearl, J. (1999). Causality. New York: Cambridge University Press, dostupno i
kao: Pearl, J. (1999). Simpson's Parađox: An Anatomy, http://www.stat.
ucla.edu/papers/preprint.s/r264.ps (fjristup. 15.10.1999).
Petz, B. (1981). Osnovne siatističke metode za nematematičare, Zagreb: Sveuči-
lišna nakJada Liber.
Radonjić, S. (1968), Uvod u psihologiju - Slm kturapsihologije kao nauke, Beo-
grad: Zavod za izdavanje udžbenika SRS.
Ristić, Ž. (1995). O istraživanju, metodu i znanju, Beograd: Institut zapedagoška
istraživanja.
Robcrts, J.S., Laughlin, J.E., Wedell, D.H. (1999). Validity Issues in the Likert
and Thurstone Approaches to Attitude Measurement, Educational & Psy-
chological Measurement, Vol. 59 Issue 2, 211-234.
Rosenthal, R., DiMatteo, M.R. (2001). META-ANALYSIS: Recent Develop-
ments in Quantitative Methods for Literature Reviews, Annual Review o f
Psychology, Annual, 2001.
Rosnow, R.L., Rosenthal, R. (2005). Beginninig Behavioral Research: A Con-
ceptual Primer, 5*'’ edition, New Jersey: Pearson Prentice Hall.
Rot, N. (1989). Osnovi socijalnepsihologije, Beograd: Zavod za udžbenike i na-
stavna sredstva.
Rot, N., Haveika, N. (1973). Nacionalna vezanost i vrednosti kodsrednjoškolske
omladine, Beograd: Institut za psihologiju i IDN.
Rozeboom, W.W. (1960). The Fallacy O fTheN ull-hypothesis Significance Test,
Psychological BuUetin, 57, 416-428.
Russell, B.H., Ryan,G. (1998). Qualitative and Quantitative Methods of Text
Analysis, u H. Russell Bernard (ur.), Handbook o f M ethod in Cultural An-
thropology, Altamira Press.
Rust, J., Golombok, S. (1999). Modern Psychometrics - The Science o f Psycho-
logical Assessment, 2'“*ed., London: Routlcdge.
Schafer, W.D. (1999). An Overview o f Meta-analysis, Measurement & Evalua-
tion in Counseling & Development, Vol. 32, Issue 1.
Schwarzer, R. (1989). Meta-Analysis Programs, priručnik za programe Meta53,
http://userpage.fu-berlin.de/~health/manual.exe (pristupljeno feb.2004.).
Scott, W. A., Wertheimer, M. (1962). Introduction to Psychological Research,
New York: John Wiley & Sons.
Shaughnessy, J.J., Zechrneister, E.B., Zechmeister, J.S. (2000). Research Me-
thods in Psychology, V edition, Boston: McGraw-Hill Higher Education.
Slavujević, Z.D. (2002). Politički marketing, Beograd: Fakultet političkih nauka.
Spector, P.E. (1992). Sum m atedRating Scale Construction, London: Sage Publi-
cations.
Stemberg, R.J. (2001). Psychology —In Search o f the Human Mind, 3 '‘‘ Edition,
Fort Worth: Harcourt College Publishers.
Stilson, D.W. (1966). ProbabiUty and Slalistics (in psychoIogical research and
theory), London: HoIden-Day.
Stojnov, D. (2001). Konstruktivistički pogled na svet: predstavljanje jedne para-
digme, Psihologija, X X X IV :l-2 :9 ^ 8 .
Streiner, D.L. (2003). Meta-analysis: A 12-step program, eGambling: The elec-
tronic journal o f gambling issues, http://www.canih.net/egambling/issue
9vl/feature/.
Supek, R. (1968). Ispitivanje javnog mnijenja. II prošireno izdanje, Zagreb: Na-
prijed.
Tenjović, L. (2002). Statistika u psihologji, dopunjeno izdanje, Beograd: Centar
za primenjenu psihologiju.
Thompson, B. (1996). AERA editorial policies regarding statistical significance
testing: Three suggested reforms. Educational Researcher, 25(2), 26-30.
Thurstone, L.L. (1928). Attitudes can be measured, American Journal o f Socio-
logy, 33, 529-554.
Thurstone, L.L. And E.J. Chave (1929). The measurement o f aititude, Chicago:
University of Chicago Press.
Trochim, W.M. (2005). The Research Methods Knowledge Base, 2nd Edition,
http://trochim.human.comell.edu/kb/index.htm ili http://www.socialrese
archmethods.net/kb/ (pristupljeno 2005.).
Von Wright, G. H. (1975). Objašnjenje i razumevanje, Biblioteka „Sazvežđa”,
Beograd: Nolit.
Woodworth, R.S., Sheehan, M.R. (1971). Contemporary Schools in Psychology,
London: Methuen & Co.
Zumbo, B.D., Pope, G.A., Stork, J. (1997). Are Confidence Intervals Useful?:
Looking Beyond the Simple Cases (Paper No. ESQ BS-97-l). Prince
George, B.C.: University of Northeni British Columbia. Edgeworth Labora-
tory for Quantitative Behavioral Science.
 X. IN D E K S P O JM O V A
<p k o e fic ije n t..................................... 104,531
X2 . . . . 2 8 8 ,4 0 2 ,4 2 0 ,4 7 6 ,4 8 6 ,4 8 8 ,4 9 0 ,
5 0 7 ,5 1 2 ,5 1 6 , 526-534, 562,
5 6 5 ,598, 618
ABAB n a c r t ...............................................271
A B B A ................................................. 199,200
afilijac ija............................................ 602, 621
akciono istra ž iv a n je .............. 191,2 6 2 ,2 6 3
aksiologija ................................................... 25
aksiom atsko-deduktivni............................51
aktivne v a rija b le .............................. 144-146
altem ativna hipoteza . 1 9 3 ,4 9 7 ,5 0 5 ,5 1 0 ,
513-516
analitičke definicije ...................................42
analiza diskursa ..................... 275, 374, 384
analiza puta ..........................................5 5 ,5 7
analiza varijanse . , 89, 142, 208, 211, 291,
5 41,560
analiza kohorti ..........................................258
anketno istraživanje . . 125, 162, 243, 246,
310, 346,353, 355,
4 31,434-436, 4 3 8,452,
579-581,585
ankete sa ličnim intervjuisanjera ......... 246
APA . . 166, 169, 439, 623, 624, 627, 630,
631,633-635, 637, 645
a p s tra k t....................................................... 622
Aschov e k sp e rim e n t....................... 205, 566
autokorektivnost......................................... 36
a u to rstv o ......................... 3 7 3 ,6 1 7 ,6 2 1 ,6 2 2
BARS skale ..............................................338
bazična istraživanja ................................ 232
bibliografske baze . . . 1 6 5 ,1 6 7 ,2 9 7 ,4 6 5 ,
605,613
binam e varijable . . 103, 291, 459, 531, 561
biografski m e to d ....................................... 274
biografsko istra ž iv a n je ......... 273-275, 384
biranje bez v r a ć a n ja .............. 548, 570, 595
biranje ek sp erata....................................... 583
biranje lancem p re p o ru k a ....................... 584
biranje modalnih č la n o v a ....................... 583
biranje sa v raćan jem ....................... 548, 570
biranje po k o r a k u .....................................572
broj stepcni slobode . . 2 9 5 ,4 9 7 ,5 1 2 ,5 1 6 ,
517, 526-528, 530, 532, 562,
627
brojanje g la s o v a ....................................... 286
C k o e ficijen t............................ 530, 531, 533
CADAC ......................... 2 4 8 -2 5 1 ,4 5 0 ,4 5 2
C A P I................................................... 248, 249
C A Q D A S ...................................................391
C A S l......................................... 24 8 ,2 4 9 ,2 5 1
CA Tl .................... 2 4 6 ,2 4 8 -2 5 0 ,5 8 0 ,5 9 9
cilj istraživanja . . 126, 157, 162, 223, 383,
623, 624, 638
citatne b a z e .............................. 166, 465, 613
CPIJM Research Data ................... 248, 462
C ram ero v V ..................................... 5 31,534
C -k o eficijen t.............................................. 530
D D ! ..................................................... 456-458
d e b rie fm g ...................................................444
dedukcija .............................. 21, 37, 50, 130
defm icija . 28, 35-39, 41-44, 46, 51, 62-64,
67, 82-84, 90, 95, 106, 114, 137,
139, 140, 143, 149, 187, 196, 241,
254, 2 6 3 ,2 7 3 ,3 1 3 ,3 1 9 ,3 2 2 ,3 2 4 ,
3 4 8 ,3 6 8 ,3 8 3 ,3 9 0 , 409, 421,461,
469, 549
denotativno značenje ....................... 41 ,4 1 4
deskriptivna islraživanja . . . . 176, 179, 623
deskriptivna slalislika . 377, 469, 477, 479,
48 9 ,4 9 6 , 541,627
deskriptivne varijable . . 142, 144-147, 203,
211
digilalna b ib lio te k a .................................. 165
diliotomne (binam e) varijable 103, 291, 308
direktne m etode merenja s ta v o v a 397
diskrim inaciona analiza . . . 137, 235, 255,
541,560, 628
dnevnik posm atranja .............................. 318
dvosm em o (dvoslrano) le s tir a n je 513
dvostruko s l e p i ......................................... 184
E B S C O ..................................... 168, 297, 635
efckat f io k e ....................................... 256, 299
efekal k o h o rte ............................................259
efckli in te ra k c ije ..................... 149, 185, 221
efckti redosleda .............................. 199,224
egzogcna v a r ija b la .................................. 148
ekološka greška ....................................... 150
ekološka k o rc la c ija .................................. 150
ekološka validnost ......................... 183,313
ekološka rep re zen taliv n o sl.....................185
ekspcrimcntalna islraživanja 43, 142, 203,
210, 2 2 5,230, 240, 252, 253
eksperimentalna m anipulacija . . 194,203,
204, 365
eksperimentalni nacrt . 1 2 6 ,2 0 6 ,2 0 7 ,2 1 3 ,
224,
eksplorativna istraživanja . . . 121, 171-173,
2 3 1 ,2 4 3 ,2 4 4 , 262, 270,
278, 504, 533, 623, 639
ekstcma validnost . . . . 124, 184, 185, 194,
231-2 3 3 ,5 2 3 ,6 4 0 ,6 4 1
ekstem e v a r ija b le ......... 1 4 6 ,2 0 5 ,2 1 9 ,4 1 8
E l i z a ....................................................... 47, 48
em pirijska islraživanja . . 17-19, 30, 43, 44,
59, 134, 163,460, 629
em pirijske d e fm ic ije ...................................42
endogene v a r ija b le .................................. 148
epistem ologija .............. 25, 26, 31, 50, 111
epoche ....................................................... 120
etapa a n k e ta ra ......................... 354, 555, 593
etapa isp ita n ik a ................................ 555, 592
etiketiranje (tagging) .............................. 379
etnografija ................................................ 273
evaluacija p ro g ra m a ................................ 263
evaluaciona istra ž iv a n ja .............. 173,226,
263-265, 270, 353
ex post f a c t o ..................................... 236, 259
facililator ......................................... 159,353
faktorska analiza . 235, 240, 255, 300, 377,
424, 541, 543
faktorski n a c r t .............. 185, 212, 216, 220,
226, 235
falsifikati ................................ 4 4 0 ,6 1 7 ,6 4 3
fenom enologija . . . 119, 121, 126, 276, 370
fenom enološka m e to d a .................. 119, 120
fenom enološka r e d u k c ija ....................... 120
fokus g r u p e ............127, 265, 278, 303-306,
310, 3 43,347,352-354,
3 5 6 -359,383,384, 429, 431,
4 3 8 ,4 5 1 ,6 2 6 ,6 4 1 ,6 4 3
fiindamentalna istraživ an ja.....................232
generalizabilnost ......... 1 2 4 ,2 3 1 ,3 5 9 ,6 4 0
generalizacija . . . . 3 8 ,2 4 3 ,2 7 9 ,3 5 9 ,4 7 1 ,
499, 503, 546-548, 552, 556,
565, 574, 629
genetičke definicije ...................................42
glavni cfckti ..................................... 221, 222
g n o se o lo g ija ......................................... 25, 31
greška I tipa ............................ 293, 508, 513
greška II t i p a ..................................... 508, 516
grupe ujcdnačene po p a ro v im a ..............198
grupišuće varijable . . . 145, 204, 222, 239,
259
Guttm anova s k a la .................. 400, 402, 403
heterogcno biranje ...................................584
hipotetičk o -d ed u k tiv n i....................... 49, 58
227,hipoleza
2 5 5 ,2 7 1 ,227,
7 2 29, 45, 49, 50, 137, 156, 158,
160, 161, 164, 173, 176,215,
242, 243, 623
gcnerisanje. 4 9 ,1 2 4 ,1 2 7 ,1 5 9 ,2 5 4 ,
260, 270, 2 8 6 ,3 1 0 ,3 5 3 ,4 7 0
n u l t a .. 3 0 ,1 0 0 ,1 9 8 ,2 2 3 ,2 9 2 ,4 2 1 ,
4 7 0 ,4 8 7 , 561,571
testiranje 31, 58, 63, 100, 118, 241,
243, 270, 273, 278, 287, 350,
 369, 376, 390, 547, 560, 582,
592, 628
idiografski pristup ....................... 1 7 ,5 8 ,5 9
im plicitan stav ..........................................398
indeksiraiije teksta ...................................371
in d u k c ija ..................................... 37, 202,471
induktivna gradnja te o rijc ..........................49
informisana sa g la sn o s t................... 225, 443
in ten cio n aln o st..........................................119
intem a validnosl . 178, 179, 184, 214, 239,
640
Interaet . . 17, 167-169, 246, 247, 249, 379,
459-461,540, 570, 6 0 1 ,602,
619
Intcrnet ankete ................................. 246, 249
inler.subjektivna sa g la sn o st......... 27, 42, 59
intcrval p o v e re n ja ___ 296, 420, 426, 488,
498, 523-525, 557, 559, 561,
563
in te r v ju ----- 118, 121, 128, 230, 241, 243,
246, 250, 260, 262, 274, 278,
280,3 2 4 , 340, 347-351,357-
3 5 9 ,3 7 4 ,3 8 3 , 3 9 7 ,4 1 9 ,4 3 1 ,
434-437, 4 4 1,444,
449, 564, 625
ireverzibilni z a d a c i...................................225
istorija (pretnja intemoj validnosti) . . 180,
2 1 3 ,2 7 0
istorija slu č a ja ............................................ 270
istraživačka hipoteza .............. 44, 505, 513
islraživačka p ita n ja .............. 130, 170, 172,
2 4 3 ,3 1 3 ,6 3 8
izlazni intervju . . . 324, 444, 445, 449, 625
izvori i d e j a .................................................157
javno m n je n je ......... 32, 244-246, 248, 250,
268, 299, 302, 342, 367, 440,
462, 564, 580, 585, 589, 596, 598
javnost .............. 2 2 ,2 5 ,3 6 ,1 0 4 ,1 2 2 ,1 2 7 ,
263 ,2 6 8 , 4 4 8 ,6 0 5 ,6 1 8 ,6 4 4
jedinice analize . . . 20, 132, 279, 280, 308,
3 6 9 ,3 7 1 ,3 7 4 ,3 7 7 ,3 7 9 ,
3 8 3 ,3 8 5 ,3 8 7 , 456
jedinice posm atranja . . . 20, 132, 135, 368,
549, 559, 570, 576-579,
592, 594, 597, 624
jedinice uzorkovanja . 132, 376, 549, 568,
5 7 1 ,5 7 5 ,5 7 7 -5 7 9 , 598
jednačenje . . . 192, 196-198, 211, 212, 216,
2 1 8 ,2 2 0 ,
jednosm em o (jednostrano) testiranje . . 513
kadrovski problera . . . 1 2 9 ,3 9 2 ,4 6 5 ,4 6 6 ,
520
kanonička korelaciona analiza . . 137, 255,
499
K A T ......................................... 334, 420, 450
kategorijalne varijable . 8 9 ,1 0 5 ,1 4 6 ,1 4 7 ,
288, 489, 490, 528
kau zaln o st. . . 52, 54-57, 70, 190, 194, 213
k la s te rb ira n je (u z o rc i)......... 5 7 7 ,5 7 9 ,5 9 0
klika ........................................................... 364
ključne reči . 166, 167, 372, 389, 603, 621,
622
kodeks ..................................... 439,454-458
kodiranje . 9 1 , 250, 279-285, 313, 368-371,
374, 377-379, 382, 383, 385,
387-392, 643
koeficijent kontingencije ....................... 530
koeficijent reproducibilnosti.................. 402
k o h o r ta ..................................... 217, 2 5 7,258
k o lo k a c ije ......................................... 371-373
kondenzacija p o d a ta k a .................. 100, 102
konfim iativna faktorska analiza . 240, 424,
541,543
konfinnativna istraživanja ........... 243, 638
konfundacija varijabli . 146, 179, 187, 199,
219
k o n k o rd a n c a .....................................3 7 1, 372
konotativno značenje .......................4 1 ,4 1 4
k o n stru k t.. 4 0 ,4 1 , 136, 139, 140] 142,267
konstruktivizam . . 113,1 2 0 -1 2 2 ,1 2 6 ,3 7 0
konstruktivna valjanost . . . 1 79,186,306,
387, 423
kontinuirane varijablc . . . 82, 91, 100, 103,
105, 146, 488, 561
kontrafakti ............................................19, 57
kontrola neželjene varijanse . . . . 146, 191,
193, 197,212,218-220,
229, 2 7 1 ,6 4 0
kontrolna gmpa bez tre tm a n a ................209
kontrolne v a r ija b le ......................... 2 1 8 ,5 6 4
korelaciona istraživanja 236, 252, 255, 273
kriterijum ska v a lid n o st........................... 426
kritične oblasti ....................... 511,514-516
kvalitativne m etode . . . 78, 113, 118, 124,
261,263, 273,299, 302,304,
3 0 7 ,3 0 8 ,3 1 2 , 3 3 4 ,3 5 3 ,3 6 7 ,
370, 627, 638, 643
kvantitativne metode . 1 1 3 ,1 2 4 ,1 2 8 ,2 4 2 ,
227,625 263, 302, 309, 334, 382
kvazi-eksperim ent .................................. 228
kvotni u z o r a k ................ 585, 586, 590, 596
kvolni kriterijumi (o b e le ž ja ).................. 586
kvotno slučajno biranje ......................... 573
K W I C .............................. 3 7 1 ,3 7 2 ,3 7 4 ,3 7 9
K W O C ............................ 3 7 1 ,3 7 2 ,3 7 4 ,3 7 9
lem atizacija ..................................... 371,372
levak (strateg ija)..................... 346, 351, 353
lično intervjuisanje . . . 246, 247, 340, 341,
4 3 1,580
Likertova s k a l a ....................... 399, 406, 408
lista reči ..................................................... 371
longitudinalna istraživanja . 223, 224, 228,
256-258, 265, 269
manipulacija nezavisnom varijablom . 194,
20 3 ,2 0 4 , 224, 234, 271
marginalna o s o b a ..................................... 272
m a tu ra c ija................................ 180, 185,213
m edijatorske varijable . . 80, 147, 148, 623
m etod cm e kutije ....................................... 47
m etode i tehnike prikupljanja
podataka ....................................... 301
m eto d o lo g ija................... 1 6 ,2 0 ,2 5 ,3 1 ,9 8 ,
134, 137, 234, 2 4 1 ,3 5 2 ,3 6 2 ,
429, 444, 547, 552, 563, 605,
613
metodološki pluralizam . . . . 129, 308, 425
M ilg r a m ................................... 440,447-449
minimalni r i z i k ....................... 442, 443, 446
M L A ................................................... 169, 633
m oć statističkog testa . 223, 509, 510, 560,
564
m ođerator . . . 73, 149, 221, 353, 354, 356-
359
m oderatorske v a rija b le ............ 80, 147-150
M okkenova s k a l a ..................................... 415
Monte Kario sim ulacija . . . 496, 532, 552,
563
m ortalitet(intem avalidnost) . . . 181,183,
185, 2 21,256
multimetodski pristup . 123, 370, 424, 425,
641
multivarijatna analiza (M VA) . . . 79, 108,
208, 235, 2 5 3 ,2 5 5 ,3 9 0 , 469,
500, 504, 539, 5 4 1obim
multivarijatni eksperim ent . . 234, 235, 252
nacrt analize kovarijanse . . . 197, 207, 218
nacrt bez kontrolne gm pe i
b ezpretesta ......................... 2 1 4,449
nacrt bez p re te .sta ............................2 1 5,217
nacrt istraživanja . 9 8 ,1 3 7 ,1 3 8 ,1 7 3 ,1 7 7 ,
193, 2 0 8,214, 238, 302,312,
368, 4 4 3 ,6 4 0
nacrt prekinutih vrem enskih serija . . . 203,
228, 255
nacrt sa jednom g m p o m ......................... 213
n a c r ts a n = l ..................................... 2 7 1 ,2 7 2
nacrt sa neekvivalentnim gm pam a . . . 203,
227
nacrt sa ponovljenim m erenjima 212, 223-
225, 257
nacrt sa regresionim
diskontinuitetom ..........................229
nacrt sa sim ulacijom p r e te s ta ................ 2 )4
nacrt vremenskih s e rija ............................257
nacrti sa nezavisnim gm pam a ..............192
naivni s u b je k t................................... 205, 447
nam em o b i r a n j e ....................................... 583
n a r a c ija ......... 113, 127, 283, 380-382, 440
narativna . . . . 128, 261, 374, 380, 381, 384
naslov r a d a ........... 161, 621, 634, 635, 638
naučna te o r ija .............................................. 46
naučni z a k o n ..................... 27, 44, 45, 55, 58
naučno saznanje . 26-29, 31, 39, 40, 66, 67,
157,314
naučno z n a n je ......... 24, 26, 27, 35, 37, 163
N E D A ....................................... 2 4 8 ,2 6 1 ,4 6 2
neeksperimentalna istraživanja . . 185, 231,
236, 237, 240, 253
neodgovor (sto p a )............................154, 413
neop tru ziv n o .................. 242, 314, 369, 393
neparam etrijski test ................................ 527
neposredno posmatranje . 21, 31, 113, 115,
125, 242,311-313, 315, 321,
361
nestm kturisani in te rv ju ............................349
neutralan s t a v ............................................413
nezavisne gmpe ..................... 1 9 2 ,2 2 2 ,2 8 9
nezavisni u z o r c i ....................................... 517
n o i r ................................................ 93, 97, 468
nominalne d e fin ic ije ...................................42
normativne d e fin ic ije ................................ 42
N U D n S T ...................................................392
n u ž n o s t............................................51, 54, 64
N V iv o ..........................................................392
,6 2 7 ,6p o4 2
jm a ...................................................41
objektivnost 22, 27, 29, 37, 118, 122, 125,
135, 158, 306, 3 0 7 ,3 0 9 ,3 1 8 ,
326, 3 4 9 ,3 6 8 ,3 8 1 .3 9 0 , 394,
419, 420, 6 2 3 ,6 4 1 ,6 4 3
obm anjivanje ................ 4 4 0 ,4 4 1 ,4 4 5 -4 4 7
odbacivost ............................................27, 47
o n to lo g ija .....................................................25
operacionalistička defmicija m erenja . . . 90
operacionalizacija . . 43, 63, 118, 140, 170,
172, 186,313, 551,555,
620, 623
operacionalne derinicije . . . 41, 43, 44, 140
opovrgljivost (o d b a c iv o s t)....................... 30
optruziviio .................................................314
osetljivost nacrta . . 198, 217, 218, 223, 258
osnovni eksperim entalni nacrt . . 206, 207,
213
osnovna hipoteza istraživ an ja................ 160
otvorena pitanja . . 1 1 3 ,3 4 1 -3 4 3 ,3 6 9 ,3 7 4 ,
452, 453, 457
panel istra ž iv a n je ............................ 247, .625^
panel s tu d i j a ............................................... 255 \
PAP .............................................. ..............574
paradigma . . . . 7 3 ,8 1 , 111, 118, 121, 128,
356
paralelni in d ik a to ri...................................417
people m e te r ...............................................249
pitanja sa ponuđenim odgovorima . . . 342-
344
pitanja sa višestrukim izborom (PV l) . . 328
PKO (v. otvorena pitanja) ..................... 342
placcbo . 1 8 2 -1 8 5 ,2 0 5 ,2 0 7 ,2 1 7 ,2 3 3 ,4 3 0
p la g ija t ..................................... 440, 617, 643
planirani u z o r a k ........................................550
pojavna v a lja n o s t..................................... 386
pokazne definicije ..................................... 42
polustriiklurisam intervju . . . 1 2 1 ,2 7 8 ,3 4 9
ponderisanje . . . . 294, 303, 574, 575, 595,
599
p o n o v ljiv o st.............................. 29, 163,277
p o p u la c ija .............................. : .................. 546
beskonačna ................................... 547
dostupna ....................................... 548
članovi p o p u la c ije ....................... 546
konačna .......................................... 547
te o rijs k a ..........................................548
poštanska a n k e ta ........................................246
postpozitivizam .............................. 113,118
posttest . 1 8 0 ,1 9 6 ,2 0 7 ,2 1 4 ,2 1 5 ,2 2 1 ,4 4 6
pouzdanost . . . 27, 84, 210, 224, 245, 270,
290, 297, 305, 329, 334,
3 3 8 ,3 4 9 ,3 7 7 , 3 8 1 ,3 8 7 ,3 8 9 ,
3 9 0 ,4 1 6 -4 2 1 ,4 2 6 , 522, 524,
5 9 8 ,6 1 1 ,6 1 3 ,6 1 5 , 6 2 5,641,
643
pouzdanost alteniativnih fo rm i.............. 419
pouzdanost intem e konzistencije . . . . 329,
4 1 7 ,4 1 8 ,4 2 6
p o zitiv izam ..............................117, 118, 624
pragmatička teorija is tin e ......................... 39
pravi ek sp erim en t.................. 215,226-229
p re c iz n o st................ 27, 32, 104, 170, 277,
290,381, 563, 571,575, 579
predikcija . . 28, 29, 47, 50, 159, 243, 253,
420, 502
prckinute vremenske s e r ije ......... 203, 228,
255
pretest . . 180, 183, 196, 207, 209, 214-216,
218, 2 2 1 ,2 2 7 ,4 4 6
prigodno b ir a n je .............................. 582, 585
prikaz s lu č a ja ............................................270
pnkupljanje p o d a ta k a .............. 20, 59, 109,
122, 135, 153, 160, 176, 245,
2 7 8 ,2 8 0 ,2 9 9 ,3 0 7 ,3 0 9 ,3 1 8 ,
323, 347, 358, 362, 368, 370,
390, 425, 430, 450, 452, 553,
581,586, 626
primenjena istraživanja . . . . 231, 232, 262
princip opovrgavanja .................................29
pristrasno u z o rk o v a n je ............................435
pristrasnost . . 72, 120, 181, 247, 268, 275,
290, 293, 308, 313-317, 330, 334, 369,
394, 425, 431, 435, 440, 552, 555, 563,
568, 5 7 2 ,5 7 6 ,5 8 6 ,5 9 3 ,6 1 5
prividna v a lja n o st.....................................422
prividna korelacija .................................. 253
problcm istraživanja . . . 112, 121, 157-160,
170, 262, 623
problem f i o k e ............................................299
problem ska iz ja v a .................. 162,622,623
procedura proporcionalnog alociranja . 574
proporcionalno b ir a n je .................. 573, 574
proročanstvo (samoispunjavajuće) . . . . 158
prosto slučajno biranje . . . . 548, 551, 568,
5 7 0 ,5 7 1 ,5 7 3 , 5 7 4 ,5 7 6 ,5 9 5
protokol posmatranja ..............................319
p ro v e rljiv o st................ 2 7 -2 9 ,4 2 ,3 8 1 ,6 2 4
pseudokauzalni m o d e li.................. 541, 543
p sih o d ra m a ................................................ 365
P sy cIN F O ................................ 166, 167,285
P V l ............................................ 328, 343, 344
Q - s o r t......................................................... 415
random digit dialing (v. RDD)
randomizacija . . . . 181, 183, 192-196, 207,
2 1 1 ,2 1 5 ,2 1 7 ,2 2 0 , 225-227,
230, 240, 271,
randomizacija po blokovima . . . 194,195,
217
randomizirani ek sp erim en t..............53,215
razvojna istraživ an ja................................ 256
R D D ................................ 246, 5 6 9 ,5 8 1 ,5 9 9
realizovani uzorak . . . 434, 435, 549, 550,
575, 581, 588
realne definicije ...................................42, 43
redukcija p o d a ta k a ...................................102
redukcija d im enzionalnosti............ 102, 255
Reference M anager .................................169
regresija ka p r o s e k u .............. 181,185,213
relijabilnost (pouzdanost) . . . 390, 416, 417
re p lik a b iln o s t............................................ 523
reprezentacijska defm icija m crenja . . . . 90
resam pling .................................................563
r e to rik a ..........................................................25
relrospektivno istraživanje . . 256, 259, 260
rezime . . 93, 178, 292, 302, 338, 370, 448,
6 21,638
sadržaj p o j m a .............................................. 41
sadržinska v a lid n o s t.................................422
saradnici . . . 205, 231, 232, 242, 356, 361,
3 6 6 ,383, 398, 4 3 1 ,4 3 2 , 436-
4 3 8 ,5 4 4 ,6 1 2 ,6 1 8 , 6 4 1 ,6 4 4
selekciona p re tn ja ...................181, 183, 185
S E M ......................... 5 5 ,2 3 8 ,2 4 0 ,5 4 1 ,5 4 3
sem antička teorija is t in e ............................39
semantički d ife re n c ija l...................4 14,415
senzitizacija (intem a validnost) . 180,215,
257
Sherifov e k s p e rim e n t..................... 230, 359
šifrantski l i s t .............................................. 456
Sim psonov p arad o k s................................ 149
sistem atsko b ir a n je ................ 562, 572, 573
skale l a ž i ..................................................... 425
skale procene . . . . 319, 322, 335-340, 343,
383, 408,409
skale sa prisilnim i z b o r o r a .....................319
skale stavova . . . . 103, 152, 399, 404-406,
41 2 ,4 2 4 , 4 7 4 ,4 8 4
sk a lo g ra m ....................................... .. 401-403
slant ............................................................ 620
Social Science Citation Index (S S C I). 166,
614
socijalna f a c ilita c ija .............. 182,3 5 3 ,3 5 8
socijalna in h ib ic ija ...................................182
socijalna poželjnost . , . 358, 397, 413, 425
socijalni k o n stru k tiv iz a m ....................... 120
s o c io d ra m a ................................................ 365
sociometrijski k rite riju m i....................... 362
sociometrijski u p itn ik .............................. 362
Solom onov nacrt ..................................... 216
sondaža javnog m n je n ja ................ 2 45,342
spisak populacije . . . . 555, 568, 572, 577,
580-582
spurious (p riv id n a )............................52, 146
središnja kalegorija
(utem eljena teorija) . . 277, 282, 283
srednja k a te g o rija .................. 3 2 8 ,4 1 0 ,4 1 3
standardizovani intervju . . . . 274, 350, 437
statistička značajnost . 502, 507, 509, 597,
598
statistička i istraživačka značajnost . . 420,
521,533
statistika ocenjivanja . . 469, 477, 489, 547
statistika zakijučivanja . . . . 469, 470, 503,
541, 547, 564, 627
stepeni slobode . . 288, 290, 294, 295, 497,
512,5 1 6 ,5 2 6 -5 2 8 , 530,
532, 562, 627
stopa ncodgovora . 2 4 7 ,4 3 3 -4 3 5 ,4 3 8 ,5 8 1 ,
624
s t o r i j a ....................... 5 2 ,3 7 0 ,3 8 1 ,3 9 8 ,4 7 0
strategija l e v k a ................................ 346,351
stratifikovani uzorak (biranje) ............ 569,
573-575
stratifikovano slučajno biranje . . . 573-575
struktura istraživanja . . 173-175,177,204
strukturalna istraživanja . . . . 81, 172, 235,
243, 253, 255, 504, 627, 638
strukturalne jednačine .............. 55, 57, 148
strukturalni zakoni .....................................45
strukturisani intervju ............ 243, 340, 349
studije trenda ............................................ 256
studije preseka ..........................................255
studija izvodljivosti ................................ 264
sum acione s k a l e ....................................... 407
tagging (etiketiranje) .............................. 379
TAO . . . . 90, 329, 331-334, 3 3 7 ,4 0 3 ,4 1 9 -
421
tehnike o k id a č a ..........................................398
telefonska anketa .................. 246, 436, 580
teoretski ek um enizam ..................... 129, 308
teorija ajtemskog odgovora (TAO) . . 419,
425
teorija istine ......................................... 38-40
teorija koh eren tn o sti...................................39
teorija korespondencije ............................38
teorijska p ersp ek tiv a..............118, 125, 126
teorijsko uzorkovanje . 2 7 2 ,2 7 6 ,2 7 9 ,2 8 1 ,
582
terapijsko savezništvo ............................299
terenska istraživanja . . . 204, 241-243, 424
te s t- r e te s t...................................................419
Thurstoneova skala . . . . 399, 403-405, 412
Iriangulacija 273, 275, 278, 282, 424, 425,
641
Turabian p r a v ila ..................... 16 9 ,6 3 2 ,6 3 5
tv -m e tri........................................................25!
T Z N H ..................... 2 9 6 ,5 2 0 ,5 2 1 ,5 2 4 -5 2 6
učesničko posm atranje . . . . 128, 242, 273,
2 7 5 ,2 7 8 ,3 2 1 -3 2 3
u n o sp o d a ta k a .......................... 344,451-456
upitnik . . 75, 243, 247, 249, 260-262, 306,
313,339-347, 34 9 ,3 5 8 , 359,
3 6 2 ,3 9 7 ,4 1 3 ,4 1 9 ,4 2 0 , 434,
437-439, 444, 449, 453, 455,
457, 564
u ra v n o te ž a v a n je ..................... 1 9 9 ,2 2 4 ,6 2 5
U R L ................................ 4 5 6 ,4 6 1 ,6 3 4 ,6 3 5
utem eljena teorija . 125, 164,275-282,323,
3 6 9 ,3 8 3 ,3 9 3
uzorkovanje d o g a đ a ja .............................. 320
uzorkovanje v r e m e n a .............................. 320
uzročna v e z a ........................................51, 253
uzročnost . . . . 33, 51-55, 57, 58, 236, 239,
253, 254, 269, 645
validnost (v a lja n o st)............ 124, 175, 178,
183-187,193-195, 203, 213-215,
226, 231-233, 239-241, 245, 257,
267, 272, 285, 297, 306-308,
3 1 2 -3 1 4 ,3 2 9 ,3 3 4 , 3 4 9 ,3 5 5 ,3 7 7 ,
386, 394, 416, 421-426, 430, 442,
445, 5 2 3 ,5 5 2 , 5 5 8 ,6 1 1 ,6 1 5 ,
625, 630, 640, 641
veličina efekta . . , 214, 287-295, 296-299,
5 0 9 ,5 1 6 ,5 1 8 , 522, 525, 560, 627
v e z a n e k v o te ..................................... 587, 588
virtuelna b ib lio te k a...................................168
višeetapno b ira n je ............................ 577, 579
zapisnik posmatranja . . 3 1 3 ,3 1 8 ,3 2 0 ,6 2 5
zavisni u z o r c i............................................ 517
zdrav razum 24, 32, 34, 70. 157, 227, 268,
487, 552, 570
Zimbardo .......................................... 233, 566
zonski uzorak (b ira n je )......... 577, 589, 596