非营利研究方法谈
前几天在公益慈善学园做了一个关于非营利研究方法的分享，主要是说如果要探究一个问题，需要多种不同的方法，不管是定性研究还是定量研究，就要把这些方法融合起来。但也没必要一个人去掌握十八般武艺，这个合作时代，选自己擅长的，再找其他合作者一起完成就好。
但学界目前有一种倾向，就是定性的看不起定量的，觉得定量肤浅；定量的看不起定性的，觉得定性蠢笨。
比如毕加索的牛，你一看是不是觉得这谁不会？
再比如蒙德里安的格子，你一看是不是再一次觉得这谁不会？
只是事情没那么简单，容我详细说明。
毕加索的牛看似寥寥几笔，简单抽象，就好像你用几个简单的回归模型，然后得出了一个结论，定量研究表面上看起来就是这样。
而蒙德里安的格子呢，最后就简化成几种颜色几个格子连在一起，就好像我们在定性研究中最后只摘出来几句重要的话一样。
但是毕加索的牛本来是什么样子？是非常细致和繁琐的牛。就像定量的数据集一样，是大量收集、清洗和整理的工作。如果你看到最后的回归结果，那已经是高度抽象和简化的结果了。
蒙德里安的格子背后又是什么呢？实际上是代表了一株非常具象的树。这个跟我们遇到的定性研究中访谈的数量多文本量大，其实是一样的，因为背后都是非常具体的。
所以不管是定性研究还是定量研究，最后呈现的结果都是很简单抽象，但实际上背后的数据都是非常复杂的。从这个数据“收集整理分析”的过程上来讲，定性和定量两者的区别不是特别的大。
我以毕加索的牛和蒙德里安的格子为例，试图说明一件简单的事情，就是对你不懂的东西，不要说三道四。要做过定性（定量），再来批评定性（量），可能会更有说服力一些。
接下来我以我自己关于体验式慈善的几项研究来说明这两类不同方法的运用，那我自己的感受是最后你要把这两种办法融合在一起，并不是说简单的用一个定性加一个定量，然后就完成了一个混合方法，而是要解释为什么在特定的数据结构，特定材料的运用情况下，为什么把不同的研究方法融合在一起是最为合适的。
在关于体验式慈善的研究中，第一项研究是关于Can Philanthropy be Taught?。在那篇文章里面呢，我们基本上用的是问卷数据和定量办法，来比较课前课后的系列变量的数值和其他变量之间的关系。我们发现上过体验式慈善课程的学生在课业表现、社会意识和慈善倾向方面，都比上课前有显著提升。但这有一个问题就是学生可能是自选择进入这些课程进行学习的，也就是说越有公益慈善精神的学生越有可能选择体验式慈善的课程，所以看起来显著的效果，可能是因为学生的特质，并不是因为体验式慈善课程的效果。
所以我们在Philanthropy can be Learned这篇文章里，采用了定性研究的办法，来看从学生自己的视角出发，是不是真的学到了东西。我们采用的是学生对课后问卷中开放式问题的回答，当然因为数据量比较大，我们实际上还是使用了一些文本挖掘（text mining）的办法来减轻工作量，但最后我们还是回到就是元数据中找出典型的代表数据，也就是学生对问题的代表性回答，结果证实，慈善是可以学习。
我们在最新的一篇文章叫《体验式慈善在中国（Experiential Philanthropy in China）》，在这篇文章里面，我们就把两种办法融合在一起，既有定量也有定性。因为一方面我们有这个课前和课后调查问卷的数据，可以允许我们使用定量办法。另外一方面因为我们在课后问卷中有一些开放性问题，然后学生对这个开放性问题的回答就构成了文本数据，能很好的补充定量研究的不足。我们用挖掘文本数据的办法，就做了定性研究来作为问卷数据分析的补充。结果发现体验式慈善课程在中国也有类似的效果。
总之，还是我以前讲过的，方法无止境。你选一个自己喜欢的方法，自己擅长的方法就可以了。如果你能把不同的方法融合起来，那也可以。但更为重要的是，要练好内功，没必要在方法上焦虑。
内功是说你的学术视角，你的研究问题问题足够重要有意思，哪怕只是用OLS和基本访谈，也胜过用Machine Learning和SEM处理一些犄角旮旯的问题。如果一项研究的问题微不足道，并不会因为其使用了某种方法就成为好的研究。
就像我之前说过的，大侠乔峰内功深厚，就算没有倚天剑和屠龙刀，用太祖长拳也能打败大部分武林好汉。否则就算倚天剑和屠龙刀在手，也只会找来祸端，徒增江湖笑料而已。
阅读更多：