Kvant vs. kval: dve perspektívy na tú istú otázku
Kvantitatívne prístupy opisujú realitu pomocou čísel, meraní a štatistických testov; kvalitatívne prístupy skúmajú významy, kontexty a mechanizmy prostredníctvom slov, obrazov a interakcií. Obe perspektívy sa dopĺňajú. Kľúčom k rozumnému výberu nie je „čo je lepšie“, ale akú otázku kladiete, aké dáta máte a aký typ rozhodnutia potrebujete urobiť.
Kedy stačí deskriptíva: rozhodovacie situácie s nízkym rizikom a jasným vzorom
- Mapovanie stavu: potrebujete vedieť „koľko“ a „kde“ (počty, percentá, podiely, mediány, rozptyl). Príklady: odhad účasti na seminároch, distribúcia známok, časové rozloženie aktivít v LMS.
- Monitoring trendov: pravidelne sledujete smer a veľkosť zmien (kĺzavé priemery, kvartily, jednoduché indexy), bez ambície kauzálne vysvetľovať príčiny.
- Výber priorít: rozhodnutie závisí skôr od poradia než od presnosti bodového odhadu (ranky tém podľa frekvencie výskytu chýb).
- Malé rozhodnutia: náklady nesprávneho kroku sú nízke; postačí robustný prehľad (napr. výber 3 z 10 tém na opakovanie podľa výskytu otázok).
Deskriptíva je často dostatočná, ak odpoveď nevedie k zásadnej investícii alebo ak sú vzory tak výrazné, že prežijú aj bez sofistikovaného modelu.
Kedy netreba model: signály „zbytočnej“ inferencie
- Nezodpovedajúce dáta: malý, nereprezentatívny a skreslený vzor (napr. dobrovoľnícky prieskum bez kontroly výberu) – model pridá falošnú presnosť.
- Jasný efekt veľkosti: rozdiely sú tak veľké, že ich vidno aj hrubou deskriptívou (napr. 20 % vs. 80 % úspešnosť).
- Neexistuje kauzálny plán: bez dizajnu (randomizácia, prirodzené experimenty, instrumenty) nepretavíte asociačné dáta na príčinu – model nezachráni chýbajúci identifikačný rámec.
- Nízka rozhodovacia rizikovosť: lacné A/B rozhodnutie zvládnete pilotom a deskriptívou.
- Silná doménová priorita: keď je teoretické očakávanie i praktické obmedzenie jasné (bezpečnostné limity v labáku), nepotrebujete fitovať prediktívny model.
Keď deskriptíva nestačí: potreba inferencie, modelu alebo kvalitatívneho hĺbenia
- Generalizácia: chcete odhadnúť parametre populácie alebo testovať hypotézy (intervaly spoľahlivosti, testy významnosti, Bayesovské odhady).
- Predikcia: potrebujete spočítať pravdepodobnosť budúcich udalostí (regresie, stromy, logistické modely), pretože rozhodnutie má finančné alebo reputačné dopady.
- Kauzalita: zaujíma vás efekt zásahu (RCT, difference-in-differences, RD, IV, syntetické kontroly) – deskriptíva nezachytí proti-faktuál.
- Mechanizmy: kvant nájde vzor, no prečo k nemu dochádza odhalí kvalitatívne skúmanie (rozhovory, fokusové skupiny, pozorovanie).
Rozhodovacia matica: ktorá stratégia sa hodí k vašej otázke
| Typ otázky | Dáta | Riziko rozhodnutia | Odporúčaný prístup |
|---|---|---|---|
| „Kde sme teraz?“ | Agregované metriky, popisy | Nízke | Deskriptíva + vizualizácia |
| „Čo sa pravdepodobne stane?“ | Panel/časové rady | Stredné | Jednoduchý prediktívny model, valída cez holdout |
| „Čo spôsobuje zmenu?“ | Experiment/kvázi-experiment | Vysoké | Kauzálny dizajn + robustné odhady |
| „Prečo to tak je?“ | Rozhovory, dokumenty, terén | Stredné | Kvalitatívna analýza (tematizácia, kódovanie) |
Pravidlo proporcionality: zložitosť metódy vs. zložitosť rozhodnutia
Metodická náročnosť by mala rásť s vkladom a neurčitosťou. Ak rozhodnutie mení kurikulum, rozpočet alebo reputáciu, je rozumné prejsť od deskriptívy k identifikačne čistému modelu (alebo zmiešanému dizajnu). Naopak, pri drobných operatívnych voľbách stačí dobre spravený popis a kontrolný zoznam rizík.
Deskriptíva, ktorá je „slušná“: minimálne štandardy
- Rozdelenia, nie len priemery: mediány, kvartily, hustoty; pri skreslených dátach sa vyhnite priemerom bez kontextu.
- Intervaly neistoty: aj pri deskriptíve ukážte intervaly spoľahlivosti (bootstrapping pri malých N).
- Segmentácia: rozpad podľa relevantných skupín (napr. ročníky, typy úloh), no s kontrolou multiplicity porovnaní.
- Vizualizácia: boxploty, ridgeline, ECDF; náhodné bodky pri malých vzorkách, aby ste videli reálne pozorovania.
Keď stačí kvalitatívny prístup bez modelu
- Skoré štádium výskumu: mapujete pojmy, procesy a aktérov (prieskumné rozhovory, pozorovanie).
- Komplexné javy: význam závisí od kontextu (identita, motivácia, interakcie v skupine) – čísla bez interpretácie zlyhávajú.
- Nízke N, vysoké hĺbky: keď je prípadov málo, ale bohaté (prípadové štúdie, etnografia, dokumentová analýza).
- Potrebujete teoretický rámec: generovanie hypotéz pre následné kvantitatívne testy.
Zmiešané metódy: postup „kval → kvant → kval“
- Kvalitatívne identifikujte kategórie, hypotézy a mechanizmy.
- Kvantitatívne otestujte frekvenciu, silu a robustnosť javov.
- Kvalitatívne interpretujte prečo výsledky vyzerajú tak, ako vyzerajú (vrátane odchýlok a kontextu).
Tento cyklus minimalizuje riziko „modelového dogmatizmu“ alebo naopak „anekdotickej slepoty“.
Model nie je cieľ, ale nástroj: typické pasce
- Overfitting: model opisuje šum, nie signál; chýba validačný plán (cross-validation, out-of-time testy).
- Pseudokauzalita: zámena korelácie za príčinu; ignorovanie skrytých premenných a výberovej zaujatosti.
- Čierna skrinka bez interpretácie: vysoká presnosť bez vysvetliteľnosti tam, kde potrebujete legitimizovať rozhodnutie.
- P-hacking a multiplicita: množenie testov bez korekcie (Benjamini–Hochberg, Bonferroni podľa potreby).
Mini-prípady: kedy by ste model zbytočne prestrieľali
- Didaktická intervencia v jednom seminári: stačí deskriptívny prehľad účasti a jednoduchá spätná väzba.
- Porovnanie dvoch formátov kvízu: ak rozdiel v úspešnosti je 30 p. b. na vzorke 200 študentov, hrubá deskriptíva a jednoduchý test postačia; hlboký prediktívny model neprinesie úžitok.
- Výber literatúry pre opakovanie: frekvencie chýb v úlohách sú jasné; modelovanie neakceleruje rozhodnutie.
Mini-prípady: kedy bez modelu riskujete
- Reforma hodnotenia: meníte pravidlá pre stovky študentov – potrebujete simuláciu dopadov a robustné odhady.
- Prijímacie procesy: predikcia úspešnosti, fairness a auditovateľnosť; bez modelu a testu zaujatosti hrozia škody.
- Alokácia zdrojov: rozpočet na tutoring podľa rizika zlyhania – vyžaduje predikčné skóre a validáciu.
Kontrolný zoznam: rozhodnutie „deskriptíva vs. model vs. kval“
- Otázka: opis, predikcia, kauzalita alebo význam?
- Dáta: kvalita vzorky, miera chýbajúcich hodnôt, zber a výberové mechanizmy.
- Riziko: náklady zlej voľby a potreba legitimizácie.
- Validácia: ak použijem model, ako overím jeho zobecniteľnosť a stabilitu?
- Interpretácia: potrebujem vysvetliteľnosť pre stakeholderov?
- Etika: súhlas, ochrana súkromia, spravodlivosť a dopady na skupiny.
Praktické šablóny bez modelu (rýchle, ale disciplinované)
- Deskriptívny report: cieľ (1 veta) → definície metrík → rozdelenia a segmenty → hlavné zistenia (3–5 bodov) → limity → odporúčanie (1 strana).
- Qual kódovanie: výber vzorky → kódovací rámec (témy, subkódy) → spoľahlivosť kódovania → syntéza vzorov → citácie pre ilustráciu → implikácie.
- Mixed quick scan: krátky rozhovor (N=10) na hypotézy → rýchla deskriptíva archívnych dát → spätná kval validácia.
Keď už model, tak robustne: minimálne požiadavky
- Predregistrácia alebo plán analýzy: čo testujem a ako rozhodujem vzhľadom na viacnásobné porovnania.
- Validačný režim: holdout, cross-validation, zmysluplné metriky (MAE, AUC, Brier), nie len presnosť.
- Senzitivity: alternatívne špecifikácie, robustné štandardné chyby, placebá.
- Čitateľná interpretácia: efekty v prirodzených jednotkách, parciálne závislosti, SHAP/ICE, alebo jednoduchšie modely.
Komunikácia výsledkov: zmysel nad formou
Bez ohľadu na prístup platí: vysvetlite, čo výsledky znamenajú pre rozhodnutie, a s akou neistotou. Ukážte, čo by sa zmenilo, ak by boli predpoklady porušené. Radšej menší počet dobre vysvetlených grafov než preplnené tabule čísiel.
Etické a praktické limity
- Reidentifikácia: aj agregované čísla môžu ohroziť súkromie malých skupín; používajte minimálne prahy a maskovanie.
- Bias v dátach: deskriptíva môže zrkadliť historické nerovnosti; model ich môže reprodukovať – potrebná auditovateľnosť.
- Transparentnosť: dokumentujte kroky, rozhodnutia a limity – aby boli replikovateľné.
Právo na primeranosť
Dobrá metodická prax neznamená vždy „viac modelu“. Znamená primeranosť medzi otázkou, dátami, rizikom a potrebou interpretácie. Deskriptíva je rýchly, lacný a často postačujúci nástroj na orientáciu a operatívne rozhodnutia. Kvalitatívny prístup je nenahraditeľný, keď hľadáte mechanizmy a významy. Model má zmysel vtedy, keď potrebujete generalizovať, predikovať alebo identifikovať kauzálne efekty – a vtedy si zaslúži disciplinovaný dizajn, validáciu a zrozumiteľnú komunikáciu.
