संगठनात्मक व्यवहार (ओबी) अनुसंधान में मेटा-विश्लेषण

मेटा-विश्लेषण कई दहनशील स्वतंत्र अध्ययनों के परिणामों को एकीकृत करने के लिए एक सांख्यिकीय प्रक्रिया है। इस तरह के वस्तुनिष्ठ मूल्यांकन से हमें स्वतंत्र अध्ययनों के परिणामों के बीच विषमता की व्याख्या करने में मदद मिलती है, यदि कोई हो। एक विशिष्ट क्षेत्र में शोध साहित्य की समीक्षा के लिए एक मेटा-विश्लेषण एक मात्रात्मक दृष्टिकोण है।

ओबी शोध में, कई कारक एक संदर्भ से दूसरे में भिन्न हो सकते हैं, इस प्रकार यह निर्धारित करने के लिए निश्चित प्रयोगों को डिजाइन करना मुश्किल है कि क्या किसी दिए गए दृष्टिकोण को किसी व्यवहार को प्रभावित किया जाता है। किसी दिए गए दृष्टिकोण के प्रभाव को निर्धारित करने के लिए एक मेटा-विश्लेषण कई अध्ययनों को जोड़ता है (आमतौर पर कई अलग-अलग शोधकर्ताओं द्वारा कई प्रकार के संदर्भों में)। कई अलग-अलग संदर्भों (और बढ़ते नमूना आकार) को शामिल करने के लिए डेटा के पूल को व्यापक करके, एक बेहतर मात्रात्मक अनुमान लगाया जा सकता है कि किसी दिए गए संगठनात्मक अभ्यास कर्मचारियों को कितना प्रभावित करते हैं।

मेटा-विश्लेषण पर अधिकांश साहित्य का निष्कर्ष है कि मेटा-विश्लेषण के किसी भी शोध के उपयोग के लिए तीन सामान्य चरण हैं।

य़े हैं:

1. स्वतंत्र चर और ब्याज के चर चर स्पष्ट करें।

2. ब्याज के स्वतंत्र और परिणाम चर पर मात्रात्मक अनुसंधान करें।

3. परिणाम चर पर स्वतंत्र चर के प्रभाव को इंगित करने के लिए प्रत्येक चयनित अध्ययन से मात्रात्मक जानकारी संकलित करें।

प्रभाव आकार, अंकों के मानक विचलन द्वारा विभाजित प्रयोगात्मक और नियंत्रण समूहों के परिणाम स्कोर के साधनों के बीच अंतर है। परिणाम चर पर एक सकारात्मक प्रभाव पढ़ाई के दौरान एक औसत प्रभाव आकार द्वारा इंगित किया जाता है, अर्थात, ओबी अनुसंधान के लिए, मेटा-विश्लेषण का उपयोग करने के लिए, किसी भी अन्य शोध की तरह, हम समस्या को तैयार करते हैं, एकत्र करते हैं और विश्लेषण करते हैं। डेटा, और परिणामों की रिपोर्ट करें।

शोधकर्ता को एक विस्तृत शोध रिपोर्ट लिखना आवश्यक है, जो स्पष्ट रूप से उद्देश्यों, परिकल्पना और कार्यप्रणाली को स्पष्ट करती है। डेटा संग्रह के लिए एक मानकीकृत रिकॉर्ड फॉर्म की आवश्यकता होती है। यदि दो स्वतंत्र पर्यवेक्षक डेटा को निकालते हैं, तो त्रुटियों से बचने के लिए यह उपयोगी है। इस स्तर पर, अध्ययन की गुणवत्ता का मूल्यांकन किया जा सकता है, जिसमें कई विशेष रूप से डिज़ाइन किए गए पैमानों में से एक है। लेखकों और उनके संस्थानों के नाम के लिए पर्यवेक्षकों को अंधा करने से, पत्रिकाओं के नाम, धन के स्रोत और स्वीकृति अधिक सुसंगत स्कोर की ओर ले जाती हैं।

अध्ययन के बीच तुलना करने के लिए व्यक्तिगत परिणामों को एक मानकीकृत प्रारूप में व्यक्त किया जाना चाहिए। यदि अंतिम बिंदु निरंतर है, तो उपचार और नियंत्रण समूहों के बीच अंतर का उपयोग किया जाता है। हालांकि, अंतर का आकार अंतर्निहित जनसंख्या मूल्य से प्रभावित होता है।

इस प्रकार, मानक विचलन की इकाइयों में अंतर प्रस्तुत किए जाते हैं। यदि अंतिम बिंदु द्विआधारी है - उदाहरण के लिए, बीमारी बनाम कोई बीमारी, या जीवित बनाम मृत - तो बाधाओं अनुपात या रिश्तेदार जोखिमों की अक्सर गणना की जाती है। बाधाओं के अनुपात में सुविधाजनक गणितीय गुण हैं, जो डेटा के संयोजन में आसानी और महत्व के लिए समग्र प्रभाव का परीक्षण करने की अनुमति देते हैं। निरपेक्ष उपाय, जैसे कि एक घटना को रोकने के लिए पूर्ण जोखिम में कमी या रोगियों की संख्या का इलाज किया जाता है, परिणाम लागू करते समय अधिक सहायक होते हैं।

अंतिम चरण में डेटा के संयोजन द्वारा समग्र प्रभाव की गणना करना शामिल है। सभी परीक्षणों से परिणामों का एक सरल अंकगणितीय औसत भ्रामक परिणाम देगा। छोटे अध्ययनों से परिणाम मौका खेलने के लिए अधिक विषय हैं और इसलिए, कम वजन दिया जाना चाहिए। मेट विश्लेषण के लिए उपयोग किए जाने वाले तरीके परिणामों के भारित औसत का उपयोग करते हैं, जिसमें बड़े परीक्षणों का प्रभाव छोटे लोगों की तुलना में अधिक होता है।

ऐसा करने के लिए सांख्यिकीय तकनीकों को मोटे तौर पर दो मॉडलों में वर्गीकृत किया जा सकता है, अध्ययन के बीच परिणामों की परिवर्तनशीलता के तरीके में शामिल अंतर का इलाज किया जाता है। निश्चित प्रभाव मॉडल मानता है, अक्सर अनुचित रूप से, कि यह परिवर्तनशीलता विशेष रूप से यादृच्छिक भिन्नता के कारण है। इसलिए, यदि सभी अध्ययन असीम रूप से बड़े थे, तो वे समान परिणाम देंगे।

यादृच्छिक प्रभाव मॉडल प्रत्येक अध्ययन के लिए एक अलग अंतर्निहित प्रभाव मानता है और इसे परिवर्तन के एक अतिरिक्त स्रोत के रूप में ध्यान में रखता है, जो निश्चित प्रभाव मॉडल की तुलना में कुछ हद तक व्यापक अंतराल की ओर जाता है।

प्रभाव बेतरतीब ढंग से वितरित किए जाते हैं, और इस वितरण का केंद्रीय बिंदु संयुक्त प्रभाव अनुमान का फोकस है। यद्यपि दोनों में से कोई भी मॉडल सही नहीं कहा जा सकता है, लेकिन निश्चित और यादृच्छिक प्रभाव वाले मॉडल द्वारा गणना किए गए संयुक्त प्रभाव में पर्याप्त अंतर केवल तभी देखा जाएगा जब अध्ययन स्पष्ट रूप से विषम हो।

एक अनुभवजन्य ओबी अनुसंधान के मूल्य को बढ़ाया जा सकता है जब निष्कर्षों को सामान्य बनाने के लिए बाद के शोधकर्ताओं के लिए संभव हो। सामान्यीकरण के लिए प्रतिकृति की आवश्यकता होती है और यह मेटा-विश्लेषण के माध्यम से सबसे अच्छा हो सकता है। ग्लास (1976) ने पहले विश्लेषण के विश्लेषण के लिए 'मेटा-विश्लेषण' शब्द गढ़ा।

इसके बाद, जैक हंटर, फ्रैंक श्मिट (हंटर 1979, हंटर और श्मिट 1990) जैसे शोधकर्ताओं ने शोध साहित्य को अध्ययनों में शोध निष्कर्षों को समृद्ध किया। ओबी में, हम शोध निष्कर्षों की मात्रात्मक संश्लेषण के लिए मेटा-विश्लेषण का उपयोग करते हैं।