「年輕人為什麼不生小孩？」——這個問題，你打算怎麼回答？

「年輕人為什麼不生小孩？」——這個問題，你打算怎麼回答？

假設新聞報導台灣生育率又創新低，主編請你寫一篇深度報導，回答「為什麼年輕世代不願意生小孩」。你會怎麼做？

一種做法是：發一份線上問卷，找三千位 25 到 40 歲的成年人填答，問他們「不生育的主要原因」（可複選：經濟壓力、房價、托育困難、不想被綁住……），最後算出「78.3% 的人勾選經濟壓力」這樣的數字，再畫成漂亮的長條圖。

另一種做法是：你找十五位不打算生育的年輕人，每個人深談兩個小時，聽他們講自己的成長經驗、伴侶關係、對「家」的想像、對未來的焦慮。你不急著歸類，而是試圖理解：在他們各自的人生脈絡裡，「不生」這個決定到底是怎麼長出來的。

這兩種做法，分別對應社會學研究的兩大取向：量化研究（quantitative research）與質性研究（qualitative research）。它們不是「誰比較科學」的競爭，而是回答不同問題、看見不同真相的兩套工具。這篇文章要帶你理解：社會學家到底是怎麼把「好奇」變成「知識」的。

研究方法是什麼？為什麼不能只憑常識

我們每天都在「研究」社會。看到同事遲到，我們推論「他大概不重視這份工作」；聽到朋友抱怨另一半，我們判斷「這段感情快結束了」。這些都是某種對社會的解釋，但它們是未經系統檢驗的常識。

社會研究方法（social research methods）與常識的差別，在於它要求有系統、可重複、可被檢驗、並對自己的偏誤保持警覺。社會學家不能只說「我覺得年輕人不生小孩是因為自私」，而必須說清楚：我問了誰、用什麼方式問、資料怎麼蒐集與分析、結論的適用範圍與限制是什麼。

這裡有一個關鍵概念叫經驗證據（empirical evidence）：社會學的主張必須建立在可觀察、可蒐集的資料上，而不是建立在直覺、權威或道德判斷上。一個再有道理的理論，如果無法被經驗資料檢驗，在科學的意義上就站不住腳。

研究方法之所以重要，是因為人對社會的直覺常常出錯。我們容易高估自己看過的個案、容易記得戲劇性的特例、容易把相關當成因果。方法的存在，正是為了用紀律去約束這些人性的認知偏誤。

研究的第一步：從概念到可測量的變項

任何研究都從一個研究問題（research question）開始，但問題本身往往太抽象，無法直接拿來蒐集資料。比方說「社會地位會不會影響幸福感？」——「社會地位」和「幸福感」都是模糊的概念（concept），你沒辦法直接「測量」它們。

於是研究者要做一件關鍵工作，叫操作化（operationalization）：把抽象概念轉換成具體、可測量的變項（variable）與指標（indicator）。例如把「社會地位」操作化為「月收入、教育年數、職業聲望分數」三個指標的組合；把「幸福感」操作化為一份標準化量表上的得分（例如以 1 到 7 分自評「整體而言，你對目前的生活有多滿意」）。

操作化的品質決定了研究的成敗，這牽涉兩個核心標準：

• 效度（validity）：你測的，真的是你想測的東西嗎？如果用「臉書好友數」來測量一個人的「真實社會支持」，效度就很可疑——好友數多不代表有人能在你深夜崩潰時接電話。
• 信度（reliability）：同樣的測量，重複做會得到一致的結果嗎？一把每次量都跳不同數字的尺，就是低信度。

一個好的測量必須兼顧效度與信度。值得注意的是，高信度不保證高效度：體重計每次都顯示一樣的數字（高信度），但你拿它來測量智商，效度等於零。

量化研究：用數字看見規模與規律

量化研究的核心精神是測量、比較與推論。它把社會現象轉化為數字，藉此回答「有多少」「多常見」「兩件事之間有沒有關聯」這類問題。

它最常用的工具是問卷調查（survey）與實驗（experiment）。量化研究通常無法調查「所有人」（這叫母體 population），於是從母體中抽取一部分作為樣本（sample）。這裡有個極重要的原則：隨機抽樣（random sampling）——讓母體中每個人被抽中的機會相等——才能讓樣本「代表」母體，進而把樣本的發現推論（generalize）回整個母體。如果抽樣有偏誤（例如只在大學校園發問卷，卻宣稱代表「全台灣年輕人」），再大的樣本也救不了結論。

量化分析最迷人也最危險的一點，是它能找出變項之間的相關（correlation）。但這裡藏著社會科學第一條鐵律：相關不等於因果（correlation is not causation）。

舉個經典例子：研究發現「冰淇淋銷量」與「溺水人數」高度正相關。難道吃冰淇淋會害人溺水？當然不是。真正的原因是背後有個第三變項（confounding variable）——夏天的高溫，它同時推高了冰淇淋銷量與戲水（進而溺水）的人數。要從相關走向因果，研究者必須排除這些干擾，這也是為什麼實驗法（透過隨機分組與控制變項）在因果推論上具有特殊地位。

量化研究的長處是規模、客觀性與可推論性——它能告訴你一個現象在整個社會有多普遍、哪些群體之間有顯著差異。它的限制則是：數字能告訴你「是什麼」，卻很難告訴你「為什麼」與「對當事人而言意味著什麼」。

質性研究：走進意義與脈絡的深處

如果量化研究是用望遠鏡看社會的全景，質性研究就是用顯微鏡看個別生命的紋理。它的核心精神是理解（understanding）——這個概念可以追溯到社會學家韋伯（Max Weber）的「理解（Verstehen）」，意思是站在行動者的角度，去把握他們行動的主觀意義。

質性研究不追求「代表全體」的數字，而追求深度、脈絡與意義。它常用的方法包括：

• 深度訪談（in-depth interview）：不是問卷式的「請從以下選項勾選」，而是開放、半結構的對話，讓受訪者用自己的語言講自己的故事。
• 參與觀察（participant observation）：研究者長時間進入研究對象的生活場域（夜市、廟會、移工宿舍、線上社群），一邊參與一邊觀察，這也是民族誌（ethnography）的核心方法。
• 焦點團體（focus group）：召集一群人一起討論某議題，觀察他們如何在互動中形成、修正彼此的看法。
• 文本與內容分析（content analysis）：分析報紙、社群貼文、歷史檔案、影像等既有材料，解讀其中的意義與權力運作。

質性研究的取樣邏輯與量化截然不同。它通常用立意取樣（purposive sampling）——刻意挑選「資訊豐富」的個案，而非隨機。它判斷「樣本夠不夠」的標準也不是「人數」，而是資料飽和（saturation）：當新的訪談不再帶來新的洞見時，就可以停止。

質性研究的長處是捕捉複雜、矛盾、流動的人類經驗，尤其適合研究新興、隱蔽或被主流忽視的現象（例如同志家庭的日常、長照家庭的照顧倫理）。它的限制則是：難以推論到全體、過程高度依賴研究者的詮釋，因此特別講究研究者的反身性（reflexivity）——時時自省「我的身份、立場、預設，如何影響了我看到與寫下的東西」。

兩種取向的對照與整合

把兩者並排，差異就清楚了：

關鍵在於：這兩者不是互斥的，而是互補的工具。一個成熟的研究者會依「問題的性質」選擇方法，而不是先選邊站。想知道「全台灣有多少比例的大學生有打工」，用量化；想知道「打工如何改變一個學生對金錢、時間與自我的看法」，用質性。

當代研究越來越流行混合方法（mixed methods）：先用大規模問卷找出「哪些群體生育意願特別低」（量化的廣度），再針對這些群體做深度訪談，挖出「他們不生的真實理由與情感」（質性的深度）。兩者相互驗證、相互補強，這種交叉驗證稱為三角檢證（triangulation）。

值得澄清一個常見迷思：量化不等於「客觀」、質性不等於「主觀」。量化研究的問卷設計、變項選擇、模型假設，處處是研究者的判斷；質性研究也有嚴謹的分析程序與檢驗標準。把「量化＝硬科學、質性＝講故事」對立起來，是對兩者都不公平的誤解。

看一個例子

讓我們回到開頭的問題——台灣的低生育率——看看一個完整的研究會怎麼設計。

假設研究團隊想回答：「經濟條件與生育意願之間有什麼關係，以及這個關係背後的機制是什麼？」

量化的部分：他們設計一份全國性問卷，以隨機抽樣方式抽出五千位 25 到 40 歲的成年人。把「經濟條件」操作化為月收入、是否擁有自有住宅、工作穩定度；把「生育意願」操作化為「未來五年內想生育的子女數」。分析後發現：收入與生育意願呈正相關，且擁有自有住宅者的生育意願顯著較高。

但這裡研究者必須謹慎——他們不能直接說「買房就會讓人想生小孩」。因為可能有第三變項：那些買得起房的人，本身往往年齡較大、來自經濟較穩定的原生家庭，這些因素同時影響了「能否買房」與「想不想生育」。相關不等於因果，量化資料只能指出「哪裡有值得追問的關聯」。

質性的部分：為了理解關聯背後的「為什麼」，團隊接著針對「有穩定收入卻仍不想生育」這個耐人尋味的群體，做了二十場深度訪談。結果浮現出問卷量表完全捕捉不到的東西：許多人並非「養不起」，而是不願意把自己僅有的自由與自我實現，交換成育兒的長期責任；也有人說自己對「成為父母」這件事，從原生家庭得到的是創傷而非美好想像。這些意義層次的發現，是冷冰冰的數字無法觸及的。

整合：最終的研究報告同時呈現「結構性因素（經濟、住宅）的統計圖像」與「個人對生育意義的詮釋」。它的結論因此立體得多：低生育率既是經濟結構的產物，也是一整個世代重新定義「人生該怎麼過」的文化轉變。少了任何一邊，這幅圖都不完整。

重點回顧

1. 社會研究方法的本質是用紀律約束直覺：它要求系統性、可檢驗、立基於經驗證據，並對研究者自身的偏誤保持警覺。
2. 研究始於操作化：把抽象概念轉成可測量的變項，並同時顧及效度（測得對不對）與信度（測得穩不穩）。
3. 量化研究追求測量、比較與推論，靠隨機抽樣把樣本發現推回母體；它的鐵律是「相關不等於因果」，必須警惕第三變項。
4. 質性研究追求理解、深度與脈絡，靠立意取樣與資料飽和，捕捉當事人的主觀意義；它特別講究研究者的反身性。
5. 兩者是互補而非對立的工具；混合方法與三角檢證能兼得廣度與深度。量化非全然客觀、質性非全然主觀，這個對立是常見迷思。

深入探討（研究所視角）

對有志於進階研究的讀者，這裡補充幾個常被簡化、卻在學術討論中至關重要的問題。

第一，方法的選擇背後是認識論立場（epistemology）的分歧。 量化與質性的差異，表面上是技術問題，深層卻是「我們如何認識社會真實」的哲學立場之爭。實證主義（positivism）相信社會現象如同自然現象，存在客觀規律，可以被中立地測量；詮釋主義（interpretivism）則主張社會真實是由行動者的意義建構而成，研究者無法置身事外。近年興起的批判實在論（critical realism）試圖調和兩者，主張存在不依賴於我們認知的真實機制，但我們對它的認識永遠是有限且受社會脈絡形塑的。理解你選的方法預設了什麼樣的本體論與認識論，是研究生與技術操作員的分野。

第二，「相關不等於因果」之後，當代因果推論已發展出精密的工具。 入門課常停在「不能用相關推因果」的警告，但真正的研究前沿是「在無法做實驗的觀察資料中，如何盡可能逼近因果」。這牽涉反事實框架（counterfactual framework，Rubin 因果模型）、工具變項（instrumental variable）、斷點迴歸（regression discontinuity）、差異中差異（difference-in-differences）等準實驗設計。它們的共同目標，是設法處理那個讓社會科學家頭痛不已的選擇偏誤（selection bias）——人不是被隨機分配到不同處境的，這正是社會因果推論最根本的難題。

第三，質性研究的嚴謹性有自己的一套評判標準，不該套用量化的尺。 用「信度、效度、樣本代表性」去質疑質性研究，是一種範疇錯置。質性研究有對應的品質判準，學界常引用 Lincoln 與 Guba 提出的可信賴性（trustworthiness）架構：可信性（credibility）、可遷移性（transferability）、可靠性（dependability）與可確認性（confirmability）。具體做法包括成員檢核（member checking，請受訪者確認研究者的詮釋）、厚描（thick description，Geertz 的概念，提供足夠脈絡讓讀者判斷可遷移性）與稽核軌跡（audit trail）。把這些誤認為「不夠科學」，恰恰反映了對質性典範的不熟悉。

第四，所有方法都繞不開研究倫理與權力關係。 涉及人的研究，從知情同意（informed consent）、匿名與保密、到資料的後續使用，都須通過研究倫理委員會（IRB）審查。但倫理不只是程序合規，更是一種權力意識：研究者往往比研究對象擁有更多的論述權力，誰有權「定義」「再現」誰，是後殖民與女性主義方法論長期追問的問題。尤其在研究弱勢、邊緣或受創群體時，「不傷害」與「不剝削」遠比填完同意書複雜。一個成熟的研究者，會把倫理反思貫穿研究的每一個環節，而非當成投件前的最後一道手續。

進階閱讀建議： 量化方法可從 Earl Babbie 的《The Practice of Social Research》建立全貌，再進入因果推論的 Morgan 與 Winship《Counterfactuals and Causal Inference》；質性方法可讀 Robert Yin 的個案研究經典，或 Kathy Charmaz 的紮根理論（grounded theory）入門。最重要的是：不要先愛上某一種方法，再去找適合它的問題——永遠讓問題來決定方法。