دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Learning More from Social Experiments: Evolving Analytic Approaches
دانلود کتاب یادگیری بیشتر از تجربیات اجتماعی: رویکردهای تحلیلی در حال تحول
مشخصات کتاب
Learning More from Social Experiments: Evolving Analytic Approaches
ویرایش:
نویسندگان: Howard S. Bloom
سری:
ISBN (شابک) : 0871541270, 9780871541277
ناشر: Russell Sage Foundation
سال نشر: 2005
تعداد صفحات: 264
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 713 کیلوبایت
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Learning More from Social Experiments: Evolving Analytic Approaches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری بیشتر از تجربیات اجتماعی: رویکردهای تحلیلی در حال تحول نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری بیشتر از تجربیات اجتماعی: رویکردهای تحلیلی در حال تحول
تجزیه و تحلیل خط مشی به طور فزاینده ای متکی به آزمایش تخصیص تصادفی شده است - روشی تحقیقاتی که به موجب آن شرکت کنندگان به طور تصادفی به گروه برنامه ای که مشمول یک خط مشی یا برنامه دولتی است یا گروه کنترلی که چنین نیست، طبقه بندی می شوند. از آنجایی که گروه ها به طور تصادفی انتخاب می شوند، به طور سیستماتیک با یکدیگر تفاوت ندارند. بنابراین هر گونه تفاوت بین گروه ها در پایان مطالعه را می توان صرفاً به تأثیر برنامه یا خط مشی نسبت داد. اما سوالات زیادی وجود دارد که آزمایش‌های تصادفی نتوانسته‌اند به آنها پاسخ دهند. چه جزء یک سیاست اجتماعی باعث موفقیت آن شد؟ آیا یک برنامه معین به دلیل طراحی ضعیف یا به دلیل اینکه از نرخ مشارکت پایین رنج می برد شکست خورد؟ در کتاب «بیشتر از تجربیات اجتماعی بیاموزیم»، ویراستار هوارد بلوم و تیمی از پژوهشگران اجتماعی نوآور، پیشرفت‌هایی را در زمینه‌های علمی تحقیقات سیاست اجتماعی نشان می‌دهند که می‌تواند مطالعات تجربی تصادفی‌سازی شده را بهبود بخشد. با استفاده از ارزیابی برنامه های اجتماعی واقعی به عنوان مثال، یادگیری بیشتر از تجربیات اجتماعی نشان می دهد که بسیاری از محدودیت های مطالعات تخصیص تصادفی را می توان با ترکیب داده های این مطالعات با روش های آماری از دیگر طرح های تحقیقاتی غلبه کرد. کارولین هیل، جیمز ریچیو و بلوم مدل آماری جدیدی را معرفی می‌کنند که به محققان اجازه می‌دهد داده‌ها را از چندین آزمایش تصادفی جمع‌آوری کنند تا مشخص کنند چه ویژگی‌هایی از یک برنامه باعث موفقیت آن شده است. لیزا جنتیان، پاملا موریس، یوهانس بوس و بلوم درباره چگونگی استفاده از یک روش تخمین آماری با داده‌های تجربی برای مشخص کردن تأثیرات پیامدهای میانی یک برنامه (مثلاً میزان پایبندی بیماران در مطالعه دارویی به دوز تجویز شده) بحث می‌کنند. پیامدهای نهایی آن (اثرات دارو بر سلامتی). گاهی اوقات، یک سیاست اجتماعی تأثیر واقعی خود را بر جوامع و نه افراد می گذارد، مانند برنامه های تماشای محله یا طرح های بهداشت عمومی. در این موارد، محققان باید به‌طور تصادفی درمان را به گروه‌ها یا خوشه‌هایی از افراد اختصاص دهند، اما این تکنیک نسبت به آزمایش‌هایی که به‌طور تصادفی افراد را اختصاص می‌دهند، مسائل متفاوتی را مطرح می‌کند. بلوم ویژگی‌های تصادفی‌سازی خوشه‌ای، ارتباط آن با انواع مختلف برنامه‌های اجتماعی و عوارض ناشی از استفاده از آن را ارزیابی می‌کند. او توجه خاصی به روشی دارد که در آن حرکت افراد به داخل و خارج از خوشه ها در طول زمان طراحی، اجرا و تفسیر یک مطالعه را پیچیده می کند. یادگیری بیشتر از تجربیات اجتماعی نشان دهنده جهش قابل توجهی در تحلیل سیاست های اجتماعی است. این کتاب مهم جدید با تکمیل نظریه با نمونه‌های تحقیقات کاربردی، زمینه را برای افزایش دامنه و ارتباط تحقیقات اجتماعی با ترکیب آزمایش‌های تصادفی با روش‌های آماری غیرتجربی فراهم می‌کند و به عنوان راهنمای مفیدی برای محققانی که مایل به انجام این کار هستند، عمل می‌کند.
توضیحاتی درمورد کتاب به خارجی
Policy analysis has grown increasingly reliant on the random assignment experiment—a research method whereby participants are sorted by chance into either a program group that is subject to a government policy or program, or a control group that is not. Because the groups are randomly selected, they do not differ from one another systematically. Therefore any differences between the groups at the end of the study can be attributed solely to the influence of the program or policy. But there are many questions that randomized experiments have not been able to address. What component of a social policy made it successful? Did a given program fail because it was designed poorly or because it suffered from low participation rates? In Learning More from Social Experiments, editor Howard Bloom and a team of innovative social researchers profile advancements in the scientific underpinnings of social policy research that can improve randomized experimental studies. Using evaluations of actual social programs as examples, Learning More from Social Experiments makes the case that many of the limitations of random assignment studies can be overcome by combining data from these studies with statistical methods from other research designs. Carolyn Hill, James Riccio, and Bloom profile a new statistical model that allows researchers to pool data from multiple randomized-experiments in order to determine what characteristics of a program made it successful. Lisa Gennetian, Pamela Morris, Johannes Bos, and Bloom discuss how a statistical estimation procedure can be used with experimental data to single out the effects of a program's intermediate outcomes (e.g., how closely patients in a drug study adhere to the prescribed dosage) on its ultimate outcomes (the health effects of the drug). Sometimes, a social policy has its true effect on communities and not individuals, such as in neighborhood watch programs or public health initiatives. In these cases, researchers must randomly assign treatment to groups or clusters of individuals, but this technique raises different issues than do experiments that randomly assign individuals. Bloom evaluates the properties of cluster randomization, its relevance to different kinds of social programs, and the complications that arise from its use. He pays particular attention to the way in which the movement of individuals into and out of clusters over time complicates the design, execution, and interpretation of a study. Learning More from Social Experiments represents a substantial leap forward in the analysis of social policies. By supplementing theory with applied research examples, this important new book makes the case for enhancing the scope and relevance of social research by combining randomized experiments with non-experimental statistical methods, and it serves as a useful guide for researchers who wish to do so.
