第二章 像研究者一样思考

做好研究首先需要重新对大脑进行训练使其能够像研究者一样思考。这就要求从实际观察中找出抽象的事物，有意识地“串起各个点”以识别出隐藏的概念和模式，并将这些模式综合形成具有普适性的理论，以用于初始观察领域之外的其他情境。研究包括在实证层面（进行观察）和理论层面（将观察抽象成普遍的规律和理论）之间的不断反复。这是一种需要多年培养才能形成的技巧，而不是在本科或研究生教程中所能学到的，也不是在行业训练中所能习得的，而这也正是目前为止大多数博士生所欠缺的部分。像研究者一样思考所需的一些在思维上的抽象过程包括分析单元、构念、假设、操作化定义、理论、模型、归纳和演绎等，这些将在本章节中予以阐述。

分析单元

科学研究的分析单元是任何社会科学研究的重要决策之一。分析单元指的是特定的个人、集体或调查所涉及的对象。典型的分析单元包括个人、团体、组织、国家、技术、物体等。例如，如果对人们的购买行为、学习成果或是对新技术的态度进行研究，那么这里分析单元便是个人。如果要研究街头帮派的特点或组织的团队精神，那么分析单元便是这个团体。如果研究的目标在于了解企业如何提高利润率或如何做出好的经营决策，，那么分析单元是企业（尽管决策是由公司内的个人所决定的，这仍被认为是代表公司的决定，而非个体的的决定）。如果研究针对民族文化的差异而实施，那么分析单元便是一个国家。 无生命的物体也可以是分析单元。例如，如果一个研究人员有兴趣了解如何使网页更加吸引用户，那么分析单元是一个网页（而不是用户）。如果想要研究两个组织之间的知识转移是如何发生的，那么分析单元是一对目标（即传递和接收知识的两个组织的集合）。

了解分析单元有时可能会相当复杂。例如，如果想要研究为什么某些社区有很高的犯罪率，那么分析单元是社区，而不是罪犯所犯下的罪行或类似的案件。这是因为询问对象是左邻右舍，而不是罪犯。然而，如果想要比较不同社区的犯罪类型，如杀人、抢劫、袭击等等，分析单元则是犯罪案件。如果要研究为什么罪犯从事违法活动，那么分析单元是个人

（如，罪犯）。例如，如果要研究为什么一些创新比其他的更成功，那么分析单元是一项创新。然而，如果研究的是为什么一些组织比其他组织更具有持续创新能力，那么分析单元是组织。因此，同一研究的两个相关研究问题可能有两种截然不同的分析单元。

了解分析单元是非常重要的，这是因为它决定了研究中应该收集什么类型的数据以及从哪里进行收集。如果分析单元是一个网页，则应该从真实的网页中收集关于网页的数据，而不是调查人们如何使用网页。如果分析单元是组织，那么应该测量组织层面的变量，如组织规模、收入、等级或吸收能力等。这些数据可能会有各种各样的来源，如财务记录或是对首席执行官（CEO）的问卷调查。一些变量，如 CEO 报酬，看起来可能是个人层面的变量，但事实上，它也可以是一个组织层面的变量，因为每个组织在任何时候只有一个 CEO 报酬。有时，可能会在较低的层次收集数据，然后再将数据整合到一个较高的层次进行分析。例如，为了研究组织的团队合作，可以调查不同组织内团队的个人成员，再将个人分数进行平均来创建一个团队层次的综合得分，并进而作为团队层次的变量，比如凝聚力和冲突。我们将在下面更深入地考察“变量”的概念。

概念、构念及变量

在第一章中我们提到研究可以是探索性的、描述性的或解释性的，但科学研究倾向于解释性的，这是因为解释性研究可以为所观察到的自然或社会现象寻找可能的解释。解释性研究需要对概念或与物体、事件或人相关的普适性特征进行开发。然而，诸如人、公司或车辆这些对象不能被称作是概念，与他们相关的特定行为，如对移民的态度、公司的创新能力以及车的重量，才可以被看作是概念。

我们在日常对话中会有意识或无意识地使用不同的概念。一些概念从我们共有的语言中发展而来。有时候，我们也会借用其他学科或语言中的概念来解释我们所感兴趣的现象。例如，物理学中的引力这个概念可用于商业环境下描述为什么人们趋向于被吸引到他们更加喜爱的购物地点。同样地，距离的概念也可用来解释两个同等地位的个体之间的社会分离程度。有时，我们也创造新的概念来描述在以前的研究中未述及的独一无二的特点。例如，技术压力是一个全新的概念，指的是一个人被要求学习新技术时面临的心理压力。

概念是抽象的更高形式。一些概念，如人的体重，是精确而客观的，而其他概念，如人的个性，则可能更加抽象且难以形象化。构念是指为了解释一个给定现象所特别选定（或“创造”）的抽象概念。构念可以是一个简单的概念，如人的体重，或是一组相关概念的组合，如一个人的沟通技巧就包括几个潜在概念，如词汇、语法和拼写。前例（体重）是一个一维构念，而后例（个性）则是一个多维构念（即包含多个潜在概念）。在多维构念中，构念和概念的区别更为清晰，高阶抽象叫做构念，而低阶抽象称为概念。然而，在一维构念中，这种区别则较为模糊。

用于科学研究的构念必须有精确、清楚的定义，这样其他人才能够完全理解它意味着什么，而不意味着什么。例如，一个看似非常简单的构念，如收入，可能指的是每月或每年的收入、税前或税后的收入、个人或家庭的收入，因此既不精确也不清楚。有两种类型的定义：词典定义和操作化定义。在我们更为熟悉的词典定义中，构念通常按照同义词进行定义。例如，态度可能被定义为一种性格、一种感觉、或是一种情感，而情感反过来被定义为一种态度。这样的循环定义在科学研究中对于阐述构念的含义和内容不是特别有用。科学研究需要操作化定义，即通过如何进行实证测量来定义构念。例如温度这个构念的操作化定义必须详细说明打算用摄氏度、华氏还是开尔文标度。收入这个构念应该定义清楚是每月还是每年的收入，是税前还是税后收入，是个人还是家庭的收入。可以想象的是，学习、个性和智力这几个构念很难被操作化定义。

图 2.1 在理论和实证层面的研究

经常与构念联系在一起，有时还可以互换的另一个术语是变量。从词源学上看，与常数

（即保持不变）相比，变量的数值可以发生变化（如，由低到高，从负到正等）。然而在科学研究中，变量是对抽象的且不可衡量的构念的一个可衡量的表示。作为抽象的实体，构念不可以被直接测量，因此，我们需要通过变量进行测量。例如，一个人的智力经常以他或她的 IQ 值（智商）衡量，这是在对人实施分析性模式匹配的检测时所产生的指数。在这种情况下，智力是一个构念， IQ 值是测量智力这个构念的变量。不管 IQ 值能否真正测量了一个人的智力是人的猜测 （虽然许多人相信IQ 值衡量了智力水平），还是取决于其如何测量智力，IQ 值可能是智力这个构念的一个好或差的衡量方式。如图 2.1 所示，科学研究沿着两个层面进行：理论层面和实证层面。构念在理论层面被概念化，而变量在实证层面被予以测量。像研究者一样思考暗示着在这两个层面不断反复的能力。

根据预期用途的要求，变量可分为自变量、因变量、调节变量、中介变量或控制变量。解释其他变量的变量称为自变量，被其他变量解释的变量是因变量，被自变量解释同时也能解释因变量的变量是中介变量，那些影响自变量和因变量之间关系的变量是调节变量。例如，如果我们认为高智商引起学生学习的进步，那么智力就是一个自变量，而学习是一个因变量。可能存在一些其他的随机变量，并不能对某个给定的因变量进行解释，但却对因变量产生一些影响。它们是控制变量，必须在科学研究中控制这些变量。

图 2.2 所示的例子可以帮助读者了解这些不同类型变量的差异。如果我们认为智力影响

（或解释）学生学业成绩，那么以衡量智力的 IQ 值作为自变量，而以衡量学业成绩的绩点作为因变量。如果我们认为智力对学习成绩的影响也取决于学生对学习的投入（也就是说，两个同样聪明的学生，更努力的学生比不努力的学生易于取得更好的成绩），那么努力则是一个调节变量。顺便需要提一下，我们也可以将努力看成是自变量而将智力看作调节变量。如果学习成绩被看作是带来高收入的一个中间过程，那么收入是自变量学习成绩的因变量，而学习成绩在智力和收入的整个关系过程中是中介变量。因此，没有任何一个变量可以固定为自变量、因变量、调节变量或中介变量。变量的类型是根据不同构念间的本质联系而确定的。一组相关构念间的所有关系网络称为法理学网络（见图 2.2）。像研究者一样思考不仅包括对观察进行构念抽象的能力，而且还包括对联系这些抽象构念的法理学网络进行心理想象的能力。

图 2.2 构念的法理学网络

命题和假设

图 2.2 展示了理论构，念如智力、努力、学业成绩和收入，在法理学网络中是如何相互联系的。每一个这样的关系被称为一个命题。在寻求对一个特定的现象或行为进行解释时，只识别出隐含在目标现象或行为中的关键概念和构念是不够的。我们也必须识别并陈述这些构念间的关系模式。这种关系模式就是命题。命题是以声明形式所阐述的暂时性、推测性的构念关系（例如，学生智力的增加引起学习成绩的增加）。这个声明式的陈述必须在实证层面可以检验（至少是间接地），并可在实际观察的基础上判断命题的真假。命题一般从逻辑

（演绎）或经验观察（归纳）中得到。

跟构念一样，命题也是在理论层面陈述，而无法直接进行验证。研究人员可以通过检验变量间的关系来间接地对命题进行检验。阐述变量间关系的经验性阐述，被称作为假设（见图2.1）。在上面的例子中，由于 IQ 值和绩点分别是智力和学习成绩的可操作化衡量指标。智力与学习成绩之间的关系是命题，而 IQ 值与绩点之间的关系是假设。假设可用于实证检验，并且若没有得到实证观察的支持，这个假设则被拒绝。当然，假设检验的目的在于推断相应命题的有效性。

假设可以或强或弱。“学生的 IQ 值与学习成绩相关”是一种典型的弱假设，因为它既没有表明假设的方向性（即，是正相关还是负相关），也没有指明它的因果关系（即，智力影响学业成绩，还是学业成绩影响智力）。“学生的 IQ 值与他们的学业成绩正相关”是较强的假设，它表明了方向性但没有表明因果关系。图2.2 中的箭头表明了各个假设的方向性。“学生的 IQ 值对学业成绩有积极的影响”是一个更强的假设，它既表明了方向性也表明了因果关系（即智力影响学业成绩，而不是学业成绩影响智力）。

还需要注意的是，科学的假说应该清楚地说明自变量和因变量。之前的假设很清楚地说明智力是自变量（原因），学业成绩是因变量（结果）。很明显，可以进一步证明这个假说是真的（如果更高的智力导致更高的学业成绩）还是假的（如果更高的智力没有影响或导致低的学业成绩）。在这本书的后面，我们将探讨如何采用实证分析测试这样的因果关系。“学生一般都是聪明的”或“所有学生都能取得学业成绩”这样的陈述不是科学的假设，因为自变量和因变量不明确，并且没有指明两个变量间的方向性，不能证实或证伪。

理论和模型

理论是对某个现象或行为，在一定的边界条件和假设下，提出解释和预测的一整套系统性的相关构念和命题。理论在本质上是理论命题的一个系统集合。命题最多联合了两三个构念，而理论代表了多个构念和多个命题所构成的体系。因此，理论实质上比命题或假说更复杂、更抽象、且有更大的适用范围。

我必须在这里指出，不熟悉科学研究的人经常将理论看作推论或作为事实的对立面。例如，我们常听到教师的课堂教学需要较少的理论和较多的实践知识。然而，事实和实践并不是理论的对立面，在科学意义上，它们都是测试理论有效性的必要组成部分。一个好的科学理论应当被观察到的事实予以充分地支持，也应该有实践价值，然而未被充分界定的理论往往缺乏这些维度。著名的组织研究学者库尔特·列文曾经说过：“没有实践的理论是枯燥无味的，而没有理论的实践是盲目的。”因此，理论与事实（或实践）对于科研而言都是必不可少的。

理论可以解释了社会或自然现象。正如在第一章中所强调的，可能存在好的或差的解释。换句话而言，可能存在好的或差的理论。第三章描述了可以用来评价理论好坏的标准。然而，研究者必须知道没有任何理论是神圣不可侵犯的，理论不应该仅仅是因为由某人提出就接受它，在科学进程中差的理论最终将被具有更好解释力的理论所取代。研究人员的根本挑战是建立一个比其他理论更好的、更全面的理论来解释目标现象。

通常与理论一起使用的术语是模型。模型代表了所研究的体系，并为研究该体系的部分或全部内容而建立。模型与理论的不同之处在于理论用于解释，而模型则用于表达。模型的例子包括数学模型、网络模型和路径模型。模型可以是描述性的、预测性的、或规范性的。描述性模型经常被用在复杂的体系中，用来描述体系中的众多变量和各种关系。预测性模型

（即回归模型）用来预测未来事件，比如在风速、风向、温度和湿度等参数的基础上预测气候的模式，或根据参赛队伍的当前组成等来预测篮球比赛的结果。规范性模型主要用于指导我们应如何遵循公认法则来采取行动。模型可以是静态的（表示系统在任何给定时间点的状态），或动态的（表示系统的演化）。

模型的开发过程可能包括归纳和演绎推理。我们在第一章中提到演绎是一个在理论或逻辑推理（基于一系列的初始假设）基础上对现象或行为得出结论的过程。例如，如果某银行对雇员实行严格的道德准则 （假设 1），并且杰米是这个银行的员工（假设 2），那么可以认为杰米遵循了道德准则（结论）。如果假设和推理是正确的，推导得出的结论必定是正确的。

与此相比，归纳则是从一个或多个事实或观察到的证据中得出结论的过程。例如，如果一个企业在一项促销活动中花费了很多钱 （观察 1），但销售额并没有增加（观察 2），那么该项促销活动的效果很差。然而，还可能存在其他的解释，如经济衰退、竞争产品或品牌的出现、或者供应链瓶颈影响了生产。归纳得出的结论只是一个假设，并且可能被证伪。因此，演绎的结论往往比归纳的结论更具有说服力。

如图 2.3 所示，归纳和演绎推理在模型建立的过程中紧密相关。当我们看到一个事实时，并且追问“为什么发生了这件事？”，归纳便由此产生了。我们会提出一个或多个初步解释

（假设）来回答这个问题。接着，我们用演绎来减少解释，直到最终基于逻辑和相关前提

（即我们对于探究领域的理解）得到最可行的一个解释为止。如果想对已有的理论进行扩展或修正，或是想提出更好的理论，研究人员必须能够在归纳和演绎推理间不断反复，这是科学研究的本质。模型（从最初的理论扩展或修改而来）是这一过程的结果，并且它可以用实证来检验。因此模型是发展理论的重要手段，同时模型帮助决策者在一组给定输入的基础上做出重要决策。理论和模型在理解一个特定现象时所扮演的角色略有不同，但两者对科学研究都很有帮助。

图 2.3 模型建立过程