Dissertation数据怎么收集和分析？英国留学生Research Data实用指南
写Dissertation时，有个阶段特别容易让人从“我好像会写”突然变成“等等，我的数据到底该怎么办？”research Question已经定了，literature review也读了不少，真正开始做研究才发现：应该发Questionnaire还是做Interview？需要多少Sample？Secondary Data能不能直接用？拿到数据以后又该怎么分析？其实Data Collection并不是单独的一步，它必须和Research Question、Research Methods以及后面的Data Analysis连在一起。把这条逻辑理顺，Dissertation会清楚很多。
先别急着发问卷：你的Research Question需要什么数据？
不少同学一想到Dissertation Research，第一反应就是“我要做个问卷”。但Questionnaire只是Data Collection Method之一，并不是每个研究都需要。
正确顺序应该反过来：
Research Question → Data Needed → Research Method → Data Collection → Data Analysis
例如你研究“英国大学生对AI学习工具的使用态度”，可能需要了解较大样本中的使用频率和态度差异，Questionnaire比较合适；如果研究的是“学生为什么信任或不信任AI反馈”，Interview可能更容易获得深入信息。
所以不是先选择自己最熟悉的方法，再想办法把Research Question塞进去。
Primary Data还是Secondary Data？
| 类型 | 常见来源 | 特点 |
|---|---|---|
| Primary Data | Survey、Interview、Experiment、Observation | 针对自己的Research Question收集 |
| Secondary Data | 政府数据库、企业报告、公开Dataset等 | 节省收集时间，但要检查适用性 |
Secondary Data并不天然比自己发问卷“低一个档次”。关键仍然是数据能不能回答Research Question。
例如研究宏观经济、企业财务表现、国际贸易或长期市场变化时，可靠的Secondary Dataset可能比自己临时收几十份问卷更合适。
问卷、访谈、实验，到底怎么选？
| 方法 | 适合研究什么 | 常见问题 |
|---|---|---|
| Questionnaire | 态度、行为、变量关系 | 题目设计、Response Rate |
| Interview | 经历、动机、观点和原因 | 耗时、Coding、Researcher Bias |
| Experiment | 干预效果及因果关系 | 控制条件、样本和Ethics |
| Secondary Dataset | 历史趋势、经济及企业数据 | 数据质量和变量匹配 |
最需要避免的是为了“看起来专业”同时上Survey、Interview和Secondary Data，最后每种方法都只做了一点。方法越多，并不自动代表Dissertation越好。
Sample不是越多越好，Sampling逻辑更重要
“Dissertation问卷到底要多少份？”几乎是做Survey的同学都会问的问题。
但没有一个适用于所有Dissertation的固定数字。Sample Size需要考虑Research Design、Population、Analysis Method、Effect Size、统计功效以及实际可行性。
比“我收到了多少份”更值得解释的是：
Who was included?
How were participants recruited?
Why was this sampling method chosen?
Who might have been excluded?
What bias could this introduce?
例如只在自己的朋友圈发一份消费者调查，哪怕最后收到很多Response，也需要认真讨论Sampling Bias和Generalisation问题。
数据收完以后，Data Analysis怎么选？
分析方法仍然取决于数据和Research Question。
| 研究目的 | 可能的分析思路 |
|---|---|
| 描述样本 | Descriptive Statistics |
| 比较两组 | 根据数据条件选择合适的组间比较方法 |
| 研究变量关系 | Correlation / Regression等 |
| 分析访谈内容 | Thematic Analysis等Qualitative Analysis |
这里有个很常见的误区：软件会操作，不等于方法选对了。
SPSS、R、Python、NVivo都只是工具。真正需要解释的是：为什么这种Analysis能够回答你的Research Question，以及数据是否满足相应方法的前提。
Results写完，还没有结束
Results回答的是“发现了什么”，Discussion则进一步回答“这些发现意味着什么”。
比较清楚的逻辑：
Data → Result → Interpretation → Previous Literature → Explanation → Limitation → Research Question
不要看到p<0.05就只写“there is a significant difference”，也不要看到结果不显著就觉得研究失败。Non-significant Result同样需要解释，并结合Sample Size、Measurement和已有研究讨论可能原因。
对于Qualitative Research也是一样。Interview里挑几句受访者原话放进去，并不自动构成Thematic Analysis；需要说明Theme是怎样形成的，以及它与Research Question有什么关系。
FAQ
Q：Dissertation必须自己收集Primary Data吗？
不一定。是否使用Primary或Secondary Data取决于研究问题、学科要求和Research Design。
Q：问卷样本越大越好吗？
不能只看数量。Sampling Method、代表性、统计分析要求以及Bias同样重要。
Q：定量研究一定要使用SPSS吗？
不是。SPSS只是分析工具之一，也可以根据课程和研究需要使用R、Python、Stata等工具。
Q：Interview一般属于什么研究？
访谈经常用于Qualitative Research，但具体Research Design仍要根据研究问题和分析方式判断。
Q：没有显著结果是不是Dissertation做失败了？
不是。研究的目的不是制造显著结果，而是采用合理方法回答Research Question，并准确解释数据。
Q：数据收集前最容易忘记什么？
除了Method和Sampling，还要检查学校对Research Ethics、Participant Consent、Data Protection和数据保存的要求。涉及参与者的研究尤其应该在收集数据前确认审批要求。