2.3: اختيار الحالة (أو كيفية استخدام الحالات في التحليل المقارن الخاص بك)

أهداف التعلم

في نهاية هذا القسم، ستكون قادرًا على:

• ناقش أهمية اختيار الحالة في دراسات الحالة.
• ضع في اعتبارك الآثار المترتبة على سوء اختيار الحالة.

مقدمة

يعد اختيار الحالة جزءًا مهمًا من أي تصميم بحثي. إن تحديد عدد الحالات والحالات التي يجب تضمينها سيساعد بوضوح في تحديد نتيجة نتائجنا. إذا قررنا اختيار عدد كبير من الحالات، فإننا غالبًا ما نقول إننا نجري بحثًا كبيرًا. يحدث بحث Large-N عندما يكون عدد الملاحظات أو الحالات كبيرًا بما يكفي حيث نحتاج إلى تقنيات رياضية، عادةً إحصائية، لاكتشاف وتفسير أي ارتباطات أو أسباب. من أجل أن يسفر تحليل Large-N عن أي نتائج ذات صلة، يجب مراعاة عدد من الاتفاقيات. أولاً، يجب أن تكون العينة ممثلة للسكان الذين تمت دراستهم. وبالتالي، إذا أردنا فهم الآثار طويلة المدى لـ COVID، فسنحتاج إلى معرفة التفاصيل التقريبية لأولئك الذين أصيبوا بالفيروس. بمجرد معرفة معايير السكان، يمكننا بعد ذلك تحديد عينة تمثل العدد الأكبر من السكان. على سبيل المثال، تشكل النساء 55٪ من جميع الناجين من COVID على المدى الطويل. وبالتالي، فإن أي عينة نحصل عليها يجب أن تكون 55٪ على الأقل من النساء.

ثانيًا، يجب إشراك نوع من تقنيات التوزيع العشوائي في أبحاث Large-N. لذلك لا يجب أن تكون عينتك تمثيلية فحسب، بل يجب أيضًا اختيار الأشخاص بشكل عشوائي ضمن تلك العينة. بمعنى آخر، يجب أن يكون لدينا مجموعة كبيرة من الأشخاص الذين يتناسبون مع معايير السكان، ثم نختار عشوائيًا من تلك المجموعات. سوف يساعد التوزيع العشوائي على تقليل التحيز في الدراسة. أيضًا، عندما يتم اختيار الحالات (الأشخاص المصابين بـ COVID على المدى الطويل) بشكل عشوائي، فإنها تميل إلى ضمان تمثيل أكثر عدلاً للسكان الذين تمت دراستهم. ثالثًا، يجب أن تكون عينتك كبيرة بما يكفي، ومن هنا تأتي تسمية large-N لأي استنتاجات للحصول على أي صلاحية خارجية. بشكل عام، كلما زاد عدد الملاحظات/الحالات في العينة، زادت صلاحيتها في الدراسة. لا يوجد رقم سحري، ولكن في حالة استخدام المثال أعلاه، يجب أن تكون عينتنا من مرضى COVID على المدى الطويل أكثر من 750 شخصًا على الأقل، بهدف الوصول إلى حوالي 1200 إلى 1500 شخص.

عندما يتعلق الأمر بالسياسة المقارنة، نادرًا ما نصل إلى الأرقام المستخدمة عادةً في أبحاث Large-N. هناك حوالي 200 دولة معترف بها بالكامل، مع حوالي اثني عشر دولة معترف بها جزئيًا، وحتى عدد أقل من المجالات أو مناطق الدراسة، مثل أوروبا أو أمريكا اللاتينية. في ضوء ذلك، ما هي الاستراتيجية عند دراسة حالة واحدة، أو حالات قليلة؟ ماذا يحدث إذا كنا نريد فقط معرفة استجابة COVID-19 في الولايات المتحدة، وليس بقية العالم؟ كيف نقوم بعمل ذلك بشكل عشوائي للتأكد من أن نتائجنا ليست متحيزة أو تمثيلية؟ هذه الأسئلة وغيرها هي قضايا مشروعة يواجهها العديد من العلماء المقارنين عند إكمال البحث. هل يعمل التوزيع العشوائي مع دراسات الحالة؟ يشير Gerring إلى أنه ليس كذلك، لأن «أي عينة معينة قد تكون تمثيلية على نطاق واسع» (الصفحة 87). وبالتالي، فإن أخذ العينات العشوائية ليس نهجًا موثوقًا عندما يتعلق الأمر بدراسات الحالة. وحتى إذا كانت العينة العشوائية تمثيلية، فلا يوجد ضمان بأن الأدلة المجمعة ستكون موثوقة.

يمكن للمرء أن يجادل بأن اختيار الحالة قد لا يكون مهمًا في دراسات Large-N كما هو الحال في دراسات Small-N. في أبحاث Large-N، قد يتم تحسين الأخطاء و/أو التحيزات المحتملة، خاصة إذا كانت العينة كبيرة بما يكفي. هذا ليس ما يحدث دائمًا، فالأخطاء والتحيزات يمكن أن توجد بالتأكيد في أبحاث Large-N. ومع ذلك، فإن الاستدلالات غير الصحيحة أو المتحيزة لا تثير القلق عندما يكون لدينا 1500 حالة مقابل 15 حالة. في أبحاث Small-n، يكون اختيار الحالة ببساطة أكثر أهمية.

لهذا السبب كتب بلاتر وهافرلاند (2012) أن «دراسات الحالة» تتمحور حول الحالة «، في حين أن دراسات Large-N» تتمحور حول المتغيرات». في دراسات Large-N، نهتم أكثر بتصور المتغيرات وتفعيلها. وبالتالي، نريد التركيز على البيانات التي يجب تضمينها في تحليل مرضى COVID على المدى الطويل. إذا أردنا إجراء مسح لها، فإننا نريد التأكد من أننا نبني الأسئلة بطرق مناسبة. بالنسبة لجميع أبحاث Large-N القائمة على المسح تقريبًا، تصبح إجابات الأسئلة نفسها المتغيرات المشفرة المستخدمة في التحليل الإحصائي.

يمكن أن يكون اختيار الحالة مدفوعًا بعدد من العوامل في السياسة المقارنة، حيث يكون النهجان الأولان الأكثر تقليدية. أولاً، يمكن أن تستمد من اهتمامات الباحث (الباحثين). على سبيل المثال، إذا كان الباحث يعيش في ألمانيا، فقد يرغب في البحث عن انتشار COVID-19 داخل الدولة، ربما باستخدام نهج دون وطني حيث يمكن للباحث مقارنة معدلات الإصابة بين الولايات الألمانية. ثانيًا، قد يكون اختيار الحالة مدفوعًا بدراسات المنطقة. لا يزال هذا يعتمد على اهتمامات الباحث حيث يختار العلماء بشكل عام مجالات الدراسة بسبب اهتماماتهم الشخصية. على سبيل المثال، قد يبحث نفس الباحث في معدلات الإصابة بـ COVID-19 بين الدول الأعضاء في الاتحاد الأوروبي. أخيرًا، قد يكون اختيار الحالات المختارة مدفوعًا بنوع دراسة الحالة المستخدمة. في هذا النهج، يتم اختيار الحالات لأنها تسمح للباحثين بمقارنة أوجه التشابه أو الاختلافات بينها. أو يمكن اختيار حالة نموذجية في معظم الحالات، أو على النقيض من ذلك، حالة أو حالات تحيد عن القاعدة. نناقش أنواع دراسات الحالة وتأثيرها على اختيار الحالة أدناه.

أنواع دراسات الحالة: الوصفية مقابل السببية

هناك عدد من الطرق المختلفة لتصنيف دراسات الحالة. واحدة من أحدث الطرق هي من خلال John Gerring. كتب طبعتين عن أبحاث دراسة الحالة (2017) حيث افترض أن السؤال المركزي الذي طرحه الباحث سيحدد هدف دراسة الحالة. هل من المفترض أن تكون الدراسة وصفية؟ إذا كان الأمر كذلك، فما الذي يسعى الباحث إلى وصفه؟ كم عدد الحالات (البلدان والحوادث والأحداث)؟ أم أن الدراسة يُقصد بها أن تكون سببية، حيث يبحث الباحث عن السبب والنتيجة؟ بالنظر إلى ذلك، يصنف Gerring دراسات الحالة إلى نوعين: وصفية وسببية.

دراسات الحالة الوصفية «ليست منظمة حول فرضية أو نظرية سببية مركزية شاملة» (ص 56). معظم دراسات الحالة وصفية بطبيعتها، حيث يسعى الباحثون ببساطة إلى وصف ما يلاحظونه. إنها مفيدة لنقل المعلومات المتعلقة بالظاهرة السياسية المدروسة. لدراسة حالة وصفية، قد يختار الباحث حالة تعتبر نموذجية للسكان. يمكن أن يشمل المثال البحث في آثار الوباء على المدن المتوسطة الحجم في الولايات المتحدة. يجب أن تعرض هذه المدينة اتجاهات المدن المتوسطة الحجم في جميع أنحاء البلاد. أولاً، سيتعين علينا تصور ما نعنيه بـ «مدينة متوسطة الحجم». ثانيًا، سيتعين علينا بعد ذلك تحديد خصائص المدن الأمريكية متوسطة الحجم، بحيث يكون اختيار الحالة مناسبًا. وبدلاً من ذلك، يمكن اختيار الحالات لتنوعها. تماشيًا مع مثالنا، ربما نريد أن ننظر إلى آثار الوباء على مجموعة من المدن الأمريكية، من البلدات الريفية الصغيرة، إلى مدن الضواحي المتوسطة الحجم إلى المناطق الحضرية الكبيرة الحجم.

دراسات الحالة السببية «منظمة حول فرضية مركزية حول كيفية تأثير X على Y» (ص 63). في دراسات الحالة السببية، يكون السياق حول ظاهرة أو ظواهر سياسية معينة مهمًا لأنه يسمح للباحثين بتحديد الجوانب التي تحدد الشروط والآليات لحدوث تلك النتيجة. يشير العلماء إلى هذا على أنه الآلية السببية، والتي عرّفتها Falleti & Lynch (2009) على أنها «مفاهيم محمولة تشرح كيف ولماذا يساهم سبب مفترض، في سياق معين، في نتيجة معينة». تذكر أن السببية هي عندما يؤدي التغيير في متغير واحد بشكل يمكن التحقق منه إلى تأثير أو تغيير في متغير آخر. بالنسبة لدراسات الحالة السببية التي تستخدم آليات سببية، يقسمها Gerring إلى اختيار الحالات الاستكشافية، وتقدير اختيار الحالة، واختيار الحالة التشخيصية. تدور الاختلافات حول كيفية استخدام الفرضية المركزية في الدراسة.

تُستخدم دراسات الحالة الاستكشافية لتحديد فرضية سببية محتملة. سيحدد الباحثون المتغيرات المستقلة التي يبدو أنها تؤثر على النتيجة، أو المتغير التابع، أكثر من غيرها. الهدف هو بناء ما قد تكون عليه الآلية السببية من خلال توفير السياق. يشار إلى هذا أيضًا باسم توليد الفرضيات بدلاً من اختبار الفرضيات. يمكن أن يختلف اختيار الحالة بشكل كبير اعتمادًا على هدف الباحث. على سبيل المثال، إذا كان الباحث يتطلع إلى تطوير «النوع المثالي»، فقد يبحث عن حالة متطرفة. يُعرَّف النوع المثالي بأنه «تصور أو معيار لشيء في أعلى درجات الكمال» (قاموس ويبستر الجديد). وبالتالي، إذا أردنا فهم النظام الرأسمالي المثالي، فإننا نريد التحقيق في بلد يمارس شكلاً نقيًا أو «متطرفًا» من النظام الاقتصادي.

يبدأ تقدير دراسات الحالة بفرضية موجودة بالفعل. الهدف هو اختبار الفرضية من خلال البيانات/الأدلة المجمعة. يسعى الباحثون إلى تقدير «التأثير السببي». يتضمن ذلك تحديد ما إذا كانت العلاقة بين المتغيرات المستقلة والمتغيرات التابعة إيجابية أو سلبية أو في النهاية إذا لم تكن هناك علاقة على الإطلاق. أخيرًا، تعتبر دراسات الحالة التشخيصية مهمة لأنها تساعد على «تأكيد الفرضية أو عدم تأكيدها أو تنقيحها» (Gerring 2017). يمكن أن يختلف اختيار الحالة أيضًا في دراسات الحالة التشخيصية. على سبيل المثال، يمكن للعلماء اختيار الحالة الأقل احتمالاً، أو الحالة التي يتم فيها تأكيد الفرضية على الرغم من أن السياق قد يشير إلى خلاف ذلك. ومن الأمثلة الجيدة على ذلك النظر إلى الديمقراطية الهندية، التي كانت موجودة منذ أكثر من 70 عامًا. تتمتع الهند بمستوى عالٍ من التنوع العرقي اللغوي، وهي متخلفة اقتصاديًا نسبيًا، ومستوى منخفض من التحديث عبر مساحات واسعة من البلاد. كل هذه العوامل تشير بقوة إلى أن الهند ما كان ينبغي لها أن تضفي الطابع الديمقراطي، أو كان ينبغي لها أن تفشل في الحفاظ على الديمقراطية على المدى الطويل، أو أن تتفكك كدولة.

نهج الأنظمة الأكثر تشابهًا/الأكثر اختلافًا

تميل المناقشة في القسم الفرعي السابق إلى التركيز على اختيار الحالة عندما يتعلق الأمر بحالة واحدة. تعتبر دراسات الحالة الفردية ذات قيمة لأنها توفر فرصة للبحث المتعمق حول موضوع يتطلب ذلك. ومع ذلك، في السياسة المقارنة، نهجنا هو المقارنة. في ضوء ذلك، نحن مطالبون باختيار أكثر من حالة واحدة. هذا يمثل مجموعة مختلفة من التحديات. أولاً، كم عدد الحالات التي نختارها؟ هذا سؤال صعب تناولناه سابقًا. ثانيًا، كيف نطبق تقنيات اختيار الحالة المذكورة سابقًا، الوصفية مقابل السببية؟ هل نختار حالتين متطرفتين إذا استخدمنا نهجًا استكشافيًا، أو حالتين من الحالات الأقل احتمالًا إذا اخترنا نهج الحالة التشخيصية؟

لحسن الحظ، قدم عالم إنجليزي اسمه جون ستيوارت ميل بعض الأفكار حول كيفية المضي قدمًا. لقد طور العديد من الأساليب للمقارنة مع الهدف الصريح المتمثل في عزل السبب في بيئة معقدة. أثّرت طريقتان من هذه الطرق، وهما «طريقة الاتفاق» و «طريقة الاختلاف» على السياسة المقارنة. في «طريقة الاتفاق»، تتم مقارنة حالتين أو أكثر من حيث القواسم المشتركة. يسعى الباحث إلى عزل الخاصية أو المتغير المشترك بينهما، والذي يتم تحديده بعد ذلك كسبب لأوجه التشابه بينهما. في «طريقة الاختلاف»، تتم مقارنة حالتين أو أكثر لاختلافاتهما. يسعى الباحث إلى عزل الخاصية، أو المتغير، التي لا تشترك فيها، والتي يتم تحديدها بعد ذلك كسبب لاختلافاتهم. من هاتين الطريقتين، طور علماء المقارنة نهجين.

الشكل\(\PageIndex{1}\): غلاف كتاب «نظام المنطق» المنطقي والاستقرائي. طور جون ستيوارت ميل عدة طرق للمقارنة: «طريقة الاتفاق» و «طريقة الاختلاف». (المصدر: ميل، جيه. إس. (1843). نظام المنطق والترشيدي والاستقرائي. مطبعة جامعة تورنتو.)

ما هو تصميم الأنظمة الأكثر تشابهًا (MSSD)؟

هذا النهج مشتق من «طريقة الاختلاف» الخاصة بـ Mill. في تصميم تصميم الأنظمة الأكثر تشابهًا، تتشابه الحالات المختارة للمقارنة مع بعضها البعض، ولكن النتائج تختلف في النتيجة. في هذا النهج، نحن مهتمون بالحفاظ على أكبر عدد من المتغيرات في الحالات المنتخبة، والتي غالبًا ما تشمل البلدان في السياسة المقارنة. تذكر أن المتغير المستقل هو العامل الذي لا يعتمد على التغييرات في المتغيرات الأخرى. من المحتمل أن يكون «السبب» في نموذج السبب والنتيجة. المتغير التابع هو المتغير الذي يتأثر أو يعتمد على وجود المتغير المستقل. إنه «التأثير». في نهج الأنظمة الأكثر تشابهًا، يجب أن تظل المتغيرات ذات الاهتمام كما هي.

ومن الأمثلة الجيدة على ذلك عدم وجود نظام رعاية صحية وطني في الولايات المتحدة. تمتلك جميع البلدان الأخرى، مثل نيوزيلندا وأستراليا وأيرلندا والمملكة المتحدة وكندا، أنظمة صحية وطنية قوية ومتاحة للجمهور. ومع ذلك، فإن الولايات المتحدة لا تفعل ذلك. كل هذه البلدان لديها أنظمة متشابهة: التراث الإنجليزي واستخدام اللغة، واقتصادات السوق الليبرالية، والمؤسسات الديمقراطية القوية، ومستويات عالية من الثروة والتعليم. ومع ذلك، على الرغم من أوجه التشابه هذه، تختلف النتائج النهائية. لا تبدو الولايات المتحدة مثل الدول النظيرة لها. بعبارة أخرى، لماذا لدينا أنظمة متشابهة تنتج نتائج مختلفة؟

ما هو تصميم الأنظمة الأكثر اختلافًا (MDSD)؟

هذا النهج مشتق من «طريقة الاتفاق» الخاصة بـ Mill. في تصميم النظام الأكثر اختلافًا، تختلف الحالات المحددة عن بعضها البعض، ولكنها تؤدي إلى نفس النتيجة. في هذا النهج، نحن مهتمون باختيار الحالات التي تختلف تمامًا عن بعضها البعض، ولكنها تصل إلى نفس النتيجة. وبالتالي، فإن المتغير التابع هو نفسه. توجد متغيرات مستقلة مختلفة بين الحالات، مثل النظام الديمقراطي مقابل النظام الاستبدادي، واقتصاد السوق الليبرالي مقابل اقتصاد السوق غير الليبرالي. أو يمكن أن تشمل متغيرات أخرى مثل التجانس المجتمعي (التوحيد) مقابل عدم التجانس المجتمعي (التنوع)، حيث قد تجد الدولة نفسها موحدة عرقيًا أو دينيًا أو عرقيًا، أو مجزأة على نفس المنوال.

ومن الأمثلة الجيدة على ذلك البلدان المصنفة على أنها ليبرالية اقتصاديًا. تسرد مؤسسة التراث دولًا مثل سنغافورة وتايوان وإستونيا وأستراليا ونيوزيلندا، بالإضافة إلى سويسرا وشيلي وماليزيا على أنها إما مجانية أو مجانية في الغالب. تختلف هذه البلدان بشكل كبير عن بعضها البعض. تعتبر سنغافورة وماليزيا ديمقراطيات معيبة أو غير ليبرالية (انظر الفصل 5 لمزيد من المناقشة)، في حين لا تزال إستونيا مصنفة كدولة نامية. أستراليا ونيوزيلندا غنية، وماليزيا ليست كذلك. أصبحت تشيلي وتايوان دولًا حرة اقتصاديًا في ظل الأنظمة العسكرية الاستبدادية، وهذا ليس هو الحال بالنسبة لسويسرا. بعبارة أخرى، لماذا لدينا أنظمة مختلفة تنتج نفس النتيجة؟