تحلیل تطبیقی کیفی یا QCA
تحلیل تطبیقی کیفی یا QCA روشی برای مقایسهٔ نظام‌مند موارد با منطق مجموعه‌هاست. این روش می‌پرسد کدام شرایط یا ترکیب شرایط با یک پیامد همراه‌اند، آیا شرطی برای آن پیامد لازم است و آیا چند مسیر متفاوت می‌توانند با همان پیامد همراه باشند.
QCA را نباید صرفاً جایگزین تحلیل آماری به دلیل کوچک بودن نمونه دانست. انتخاب آن به پرسش ترکیبی، شناخت موارد، تعریف مجموعه‌ها و کیفیت شواهد وابسته است؛ تعداد موارد به‌تنهایی تناسب روش را تعیین نمی‌کند.
شرط لازم و کافی چه تفاوتی دارند؟
در بیان سادهٔ مجموعه‌های دودویی، شرط لازم باید در همهٔ مواردِ دارای پیامد حضور داشته باشد، اما حضور آن لزوماً پیامد را به دنبال ندارد. شرط یا ترکیب کافی، در محدودهٔ رابطهٔ مورد بررسی، با حضور پیامد همراه است؛ اما ممکن است مسیرهای کافیِ دیگری نیز وجود داشته باشند. این دو جهت رابطه یکسان نیستند و باید جداگانه تحلیل شوند. مسیرهای حضور پیامد نیز لزوماً وارونهٔ مسیرهای نبود آن نیستند؛ برای نبود پیامد، تحلیل جداگانه لازم است.
در QCA فازی، به جای عضویت صرفاً صفر و یک، درجهٔ عضویت در مجموعه تعریف می‌شود. این درجه، احتمال رخ‌دادن پیامد یا شدت خام متغیر نیست. تفسیر ضرورت و کفایت نیز بر رابطهٔ مجموعه‌ها تکیه دارد. الگوی مجموعه‌ای به‌تنهایی سازوکار علّی را ثابت نمی‌کند؛ شناخت موارد، ترتیب زمانی و بررسی تبیین‌های رقیب همچنان لازم‌اند.
این روش چه مسئله‌ای را در ارزیابی حل می‌کند؟
در بسیاری از ارزیابی‌ها، مسئله اصلی این نیست که «آیا مداخله اثر داشته است؟»، بلکه این است که «اثر در چه شرایطی و از چه مسیری ایجاد شده است؟». اگر چند منطقه یک برنامه مشابه را دریافت کرده‌اند و تنها در برخی از آن‌ها پیامد مطلوب مشاهده شده است، تحلیل میانگین اثر یا مقایسه ساده دو گروه نمی‌تواند توضیح دهد که چرا نتیجه متفاوت بوده است. در چنین شرایطی، آنچه ارزیاب نیاز دارد درک ترکیب‌های متفاوت از شرایط است، نه سنجش اثر یک عامل خاص.
QCA دقیقاً همین خلأ را پر می‌کند. این روش با حفظ نگاه کل‌نگر به هر مورد، امکان می‌دهد الگوهای مشترکی را در میان موارد موفق و ناموفق تشخیص دهیم. به این ترتیب، QCA به ارزیاب کمک می‌کند از توصیف صرف تنوع نتایج فراتر رود و به استنباطی درباره شرایط لازم، شرایط کافی یا ترکیب‌های علی مؤثر بر پیامد نزدیک شود؛ استنباطی که در عین حال محدودیت‌های خود را نیز دارد و باید با احتیاط تفسیر شود.
چه زمانی از QCA استفاده کنیم؟
QCA برای ارزیابی مداخلاتی مناسب است که در آن‌ها بستر اجرا اهمیت دارد و چند مسیر محتمل برای ایجاد پیامد وجود دارد. این شرایط به‌ویژه در مداخلات اجتماعی، سیاست‌های محلی، برنامه‌های توسعه، طرح‌های شهری و اقدامات منابع انسانی رخ می‌دهد. برای انتخاب این روش باید بتوان موارد را با تعریف‌های مشترک و شواهد کافی مقایسه کرد. کوچک بودن تعداد موارد به‌تنهایی دلیل انتخاب QCA نیست و این روش به یک بازهٔ ثابت از تعداد موارد محدود نمی‌شود.
همچنین وقتی پرسش ارزیابی به «چه ترکیبی از عوامل» یا «چرا اینجا و نه آنجا» مربوط می‌شود، QCA می‌تواند چارچوبی نظام‌مند برای پاسخ فراهم کند. این روش برای بررسی «هم‌پایانی» کاربرد ویژه دارد؛ یعنی وقتی می‌دانیم یا فرض می‌کنیم چند مسیر متفاوت می‌توانند به نتیجه یکسان ختم شوند.
تفاوت نتیجه در مناطق: برای بررسی ترکیب شرایط همراه با پیامد، به دادهٔ قابل مقایسه از شرایط و پیامد هر منطقه نیاز داریم؛ شناسایی الگو جای اثبات علت را نمی‌گیرد.
چند مسیر به یک پیامد: QCA می‌تواند به مقایسهٔ مسیرهای متفاوت کمک کند؛ نباید از یک مسیر مشاهده‌شده، نسخهٔ واحد برای همهٔ موارد ساخت.
وابستگی به شرایط اجرا: سنجه‌های دودویی یا فازی باید با مبنای نظری و شواهد روشن کالیبره شوند؛ نتیجه برای بازنگری طراحی مفید است، اما تضمین موفقیت اجرای تازه نیست.
ارتباط QCA با نظریه تغییر
QCA به خودی خود یک نظریه تغییر نیست، اما می‌تواند به‌عنوان ابزار تحلیلی برای بررسی تجربی آن به کار رود. در این حالت، نظریه تغییر مشخص می‌کند که بر اساس منطق مداخله، کدام فعالیت‌ها به چه نتایجی و از طریق چه سازوکاری منتهی می‌شوند. QCA سپس بررسی می‌کند که آیا الگوی مشاهده‌شده در داده‌ها با این انتظارات سازگار است یا نه.
برای نمونه، اگر نظریه تغییر تصریح کند که موفقیت یک برنامه آموزشی به «آموزش باکیفیت» و «حمایت مدیریتی» وابسته است، QCA می‌تواند نشان دهد که آیا ترکیب این دو شرط واقعاً در موارد موفق حضور داشته است، آیا یکی از آن‌ها شرط لازم محسوب می‌شود، یا اینکه مسیر موفقیت بدون یکی از آن‌ها نیز ممکن است. بنابراین QCA راهی برای آزمودن ادعاهای نظریه تغییر در مجموعه‌ای از موارد واقعی فراهم می‌کند، بی‌آنکه ادعای قطعیت علی داشته باشد.
چگونه از QCA استفاده کنیم؟
کاربست QCA معمولاً از یک صورت سؤال آغاز می‌شود که به پیامد مشخص و مجموعه‌ای از شرایط قابل بررسی اشاره دارد. مراحل زیر یک مسیر منطقی متعارف را نشان می‌دهد، هرچند جزئیات اجرا بسته به پرسش ارزیابی می‌تواند متفاوت باشد.
تعریف پیامد: مشخص کنید نتیجه مورد بررسی چیست و ملاک تحقق یا عدم تحقق آن در هر مورد چگونه تعیین می‌شود.
تعیین شرایط: بر اساس نظریه تغییر، تجربه اجرایی یا مرور شواهد، شرایطی را که احتمال می‌دهید در ایجاد پیامد نقش دارند، فهرست کنید.
انتخاب موارد: مجموعه‌ای از پرونده‌ها را برگزینید که هم موارد دارای پیامد و هم موارد فاقد آن را در بر بگیرد.
گردآوری و کالیبراسیون: شواهد هر شرط و پیامد را جمع کنید و با یک قاعدهٔ مستند به عضویت در مجموعه تبدیل کنید. در نوع دودویی، عضویت صفر یا یک است؛ در نوع فازی، درجات میان آن‌ها نیز ممکن‌اند. مرزهای عضویت باید دلیل نظری و تجربی داشته باشند؛ تبدیل مکانیکی یک مقیاس به اعداد بین صفر و یک کافی نیست.
ساخت جدول ترکیب‌ها: موارد را بر اساس ترکیب شرایط و وضعیت پیامد در جدولی منظم سازمان‌دهی کنید.
تحلیل ضرورت و کفایت: شرایط لازم را جداگانه بررسی کنید. سپس جدول حقیقت و ترکیب‌های کافی را با انتخاب‌های تحلیلیِ مستند بررسی کنید. سازگاری، میزان انطباق با رابطهٔ مجموعه‌ای، و پوشش، دامنهٔ پوشش پیامد توسط مسیر، را در تفسیر دخیل کنید؛ این شاخص‌ها مقدار p یا اندازهٔ اثر رگرسیونی نیستند.
بررسی توضیحات رقیب: برای هر الگوی شناسایی‌شده، از خود بپرسید آیا شرایط دیگری می‌توانسته‌اند نتیجه مشابه را ایجاد کنند.
تفسیر محتاطانه: یافته‌ها را به‌عنوان تقویت یا تضعیف یک تبیین نظری و نه اثبات قطعی رابطه علی گزارش کنید.
شواهد موردنیاز
QCA به داده‌ای نیاز دارد که برای هر مورد تصویری قابل مقایسه از شرایط و پیامد ارائه دهد. این داده‌ها می‌توانند کیفی یا کمی باشند. گزارش‌های اجرایی، مصاحبه‌ها، بررسی اسناد، سنجه‌های عملکردی و داده‌های بستر اجرا همگی می‌توانند به کار گرفته شوند. نکته مهم آن است که تعریف هر شرط باید به‌اندازه کافی شفاف باشد تا بتوان آن را در همه موارد با قاعد‌ه واحدی ثبت کرد.
کیفیت استنباط در QCA به کیفیت این ثبت‌ها وابسته است. اگر شواهد ناقص باشند یا تعریف شرط‌ها مبهم باشد، نتیجه حساس به خطاهای اندازه‌گیری و تفسیر خواهد بود. همچنین باید به شواهدی توجه کرد که شاید با الگوی اصلی هم‌خوانی ندارند. مواردی که با ترکیب مشابه، پیامد متفاوتی دارند باید بررسی شوند. این ناسازگاری ممکن است به تعریف و کالیبراسیون، کیفیت داده، تفاوت زمینه یا شرطی بررسی‌نشده مربوط باشد؛ نباید بدون شاهد آن را فقط به یک عامل مغفول نسبت داد.
مثال فرضی: ایمنی عابران در تقاطع‌ها
این مثال، گزارش یک پژوهش یا خروجی محاسبه‌شدهٔ نرم‌افزار نیست. فرض کنید یک برنامه دولتی برای بهبود ایمنی عابران در تقاطع‌های پرخطر چند شهر اجرا شده است. نتیجه مورد بررسی کاهش تصادف‌های عابران طی یک سال است. بر اساس برنامه، موفقیت به سه عامل وابسته فرض می‌شود: اجرای فنی مناسب اصلاح هندسی، اجرای برنامه آموزشی برای رانندگان و همراهی پلیس راهور در هفته‌های نخست اجرا.
ارزیاب داده‌های مربوط به ده تقاطع را گردآوری می‌کند و برای هر تقاطع حضور یا عدم حضور هر سه شرط و وضعیت کاهش تصادف را ثبت می‌کند. مقایسه نظام‌مند نشان می‌دهد که در همه موارد موفق، اصلاح هندسی و آموزش رانندگان هردو حضور داشته‌اند، اما همراهی پلیس گاهی حضور داشته و گاهی غایب بوده است. همچنین برخی موارد با حضور هر دو شرطِ نخست، باز هم موفق نبوده‌اند. در همین توصیف فرضیِ دودویی، هر یک از دو شرط نخست در همهٔ موارد موفق حضور دارد، ولی ترکیب آن‌ها برای پیامد کافی نبوده است؛ چون مواردی با همان ترکیب و بدون موفقیت نیز داریم. این مشاهده ضرورت علّیِ عمومی را ثابت نمی‌کند. غیبت پلیس در بعضی موارد موفق نیز کافی است تا آن را در این مثال شرط لازم ندانیم؛ از این موضوع نمی‌توان بی‌اثر بودن پلیس را نتیجه گرفت. بررسی نوع محله یا حجم عبور، پیشنهادِ ادامهٔ بررسی است و نه عامل کشف‌شده.
مزایای QCA
QCA به ارزیاب امکان می‌دهد که مقایسه‌ای نظام‌مند را بدون از دست دادن جزئیات زمینه‌ای انجام دهد. تمرکز این روش بر ترکیب شرایط و مسیرهای متفاوت است. این ویژگی را باید متناسب با سؤال پژوهش سنجید؛ QCA و روش‌های آماری لزوماً یک سؤال یا یک نوع برآورد را دنبال نمی‌کنند. همچنین با اتکا بر داده‌های کیفی و کمی به‌صورت هم‌زمان، انعطاف بالایی برای کاربرد در برنامه‌های واقعی دارد و به‌جای خلاصه‌کردن اثر کل مداخله، تصویری از شرایط تحقق پیامد به دست می‌دهد.
محدودیت‌ها و خطاهای رایج
QCA فرض می‌کند شرایطی که ارزیاب وارد تحلیل می‌کند، دربردارنده عوامل اصلی مرتبط با پیامد هستند. اگر عامل مهمی مغفول بماند، ترکیب‌های شناسایی‌شده می‌توانند گمراه‌کننده باشند. افزون بر این، تعریف و آستانه‌گذاری شرایط می‌تواند نتیجه را تغییر دهد؛ به‌ویژه وقتی از مقیاس‌های فازی استفاده می‌شود، قضاوت ارزیاب در تعیین درجه عضویت اثرگذار است. تعداد زیاد شرایط در برابر تنوع محدود موارد می‌تواند ترکیب‌های مشاهده‌نشدهٔ فراوانی ایجاد کند. این ترکیب‌ها را نباید مورد تجربی واقعی فرض کرد؛ نحوهٔ استفاده از فرض‌های مربوط به آن‌ها باید گزارش شود. در نهایت، QCA الگوهای هم‌راستا با پیامد را نشان می‌دهد، اما به خودی خود ثابت نمی‌کند که آن شرایط علت پیامد بوده‌اند؛ بنابراین استنباط علی باید در چارچوب نظری و با توجه به توضیحات رقیب صورت گیرد.
مقایسه با روش‌های مشابه
QCA: مقایسهٔ مجموعه‌ایِ ترکیب شرایط در چند مورد؛ حساس به انتخاب، تعریف و کالیبراسیون شرایط.
ردیابی فرایند: بررسی شواهد یک سازوکار درون یک یا چند مورد؛ مقایسهٔ ترکیب‌ها را به‌تنهایی جایگزین نمی‌کند.
تحلیل سهم مداخله: بررسی نقش مداخله با اتکا به نظریهٔ تغییر، زنجیرهٔ شواهد و توضیح‌های رقیب؛ از آن درصدِ سهمِ محاسبه‌نشده استخراج نمی‌شود.
ارزیابی واقع‌گرایانه: بررسی رابطهٔ زمینه، سازوکار و پیامد؛ با فهرست‌کردن شرایط در QCA یکسان نیست.
اگر پرسش اصلی برآورد اثر یک مداخله با امکان تخصیص تصادفی باشد، طرح کارآزمایی تصادفی کنترل‌شده نیز قابل بررسی است. انتخاب روش باید از پرسش و شرایط اجرای مطالعه بیاید.
جمع‌بندی
QCA روشی عمل‌گرایانه برای ارزیابی مداخلاتی است که در آن‌ها نتیجه به ترکیب شرایط و بستر اجرا گره خورده است. این روش به ارزیاب کمک می‌کند از مقایسه نظام‌مند موارد محدود، الگوهای معنادار را استخراج کند و دریابد که موفقیت یا شکست برنامه با کدام ترکیب از عوامل هم‌راستا بوده است. اما QCA را نباید ابزار اثبات قطعی رابطه علی دانست؛ ارزش آن در ساختاربخشی به مقایسه و آزمون تجربی انتظارات برآمده از نظریه تغییر است. هنگام انتخاب این روش، مهم‌ترین نکته شفافیت در تعریف پیامد و شرایط و توجه به محدودیت‌های تفسیر علی یافته‌ها است.
منابع روش
Adrian Dușa، QCA with R، فصل‌های Calibration، Analysis of necessity، Analysis of sufficiency و The truth table؛ برای تعریف مجموعه‌ها، کالیبراسیون و روابط ضرورت و کفایت.
Thomann، Ege و Paustyan، ۲۰۲۲، Approaches to Qualitative Comparative Analysis and good practices: A systematic review؛ برای شفافیتِ انتخاب‌های تحلیلی، گزارش سازگاری و پوشش و بازگشت به موارد.
Michael Baumgartner، Qualitative Comparative Analysis and robust sufficiency؛ برای تمایز رابطهٔ مجموعه‌ای با ادعای علّی و حدود تضمین پیامد.