Induksi analitik (AI) adalah logika penelitian yang digunakan untuk mengumpulkan data, mengembangkan analisis, dan mengatur penyajian temuan penelitian. Tujuan formalnya adalah penjelasan kausal, spesifikasi kondisi yang diperlukan secara individual dan cukup bersama untuk munculnya beberapa bagian dari kehidupan sosial.

AI menyerukan redefinisi progresif dari fenomena yang akan dijelaskan (explanandum) dan faktor penjelas (explanans), sedemikian rupa sehingga hubungan yang sempurna (kadang-kadang disebut ‘universal’) dipertahankan. Kasus awal diperiksa untuk menemukan faktor umum dan penjelasan sementara.

Induksi Analitik (AI) : Pengertian dan Perkembangannya

Ketika kasus baru diperiksa dan hipotesis awal bertentangan, penjelasannya dikerjakan ulang dalam satu atau kedua cara. Definisi eksplanandum dapat didefinisikan ulang sehingga kasus-kasus yang merepotkan menjadi konsisten dengan eksplanan atau ditempatkan di luar lingkup penyelidikan; atau penjelas dapat direvisi sehingga semua kasus fenomena target menampilkan kondisi penjelas.

Tidak ada nilai metodologis dalam menumpuk kasus konfirmasi; strategi ini secara eksklusif kualitatif, mencari pertemuan dengan varietas data baru untuk memaksa revisi yang akan membuat analisis valid ketika diterapkan pada berbagai kasus yang semakin beragam. Penyelidikan berlanjut sampai peneliti praktis tidak bisa lagi mengejar kasus negatif.

Metodologi Terapan

Awalnya dipahami sebagai alternatif metodologi pengambilan sampel statistik, ‘induksi analitik’ diciptakan oleh Znaniecki (1934), yang, melalui analogi dengan metode dalam kimia dan fisika, menyebut AI sebagai pendekatan yang lebih ‘ilmiah’ untuk penjelasan kausal daripada ‘induksi enumeratif’ yang menghasilkan pernyataan probabilistik tentang hubungan.

Setelah kritik yang kuat tetapi simpatik oleh Turner (1953), AI melepaskan janji untuk menghasilkan hukum determinisme kausal yang akan memungkinkan prediksi. Metodologi tersebut kemudian menjadi tersebar sebagai strategi umum untuk menganalisis data kualitatif dalam penelitian etnografi. AI sekarang dipraktikkan sesuai dengan panggilan Znaniecki sebelumnya (1928), yang kurang terkenal untuk sosiologi yang didasarkan pada fenomenologis.

Ini terutama berlanjut sebagai cara untuk mengembangkan penjelasan tentang proses interaksional yang melaluinya orang-orang mengembangkan bentuk-bentuk tindakan sosial yang khas dan berpengalaman secara homogen.

Studi AI perintis berpusat pada titik balik dalam biografi pribadi, paling sering fase komitmen terhadap pola perilaku yang secara sosial didefinisikan sebagai penyimpangan, seperti kecanduan opiat (Lindesmith 1968), penggelapan (Cressey 1953), penggunaan ganja (Becker 1953), konversi ke sebuah sekte keagamaan milenarian (Lofland dan Stark 1965), pencarian aborsi (Manning 1971), dan pencurian kaum muda (West 1978, sebuah studi langka yang lebih berfokus pada penghentian daripada permulaan).

Studi pada akhir abad kedua puluh telah membahas fenomena yang lebih spesifik secara situasional dan netral secara moral. Ini termasuk perspektif pekerjaan yang dilakukan dalam pengaturan kerja tertentu (Katz 1982 tentang pengacara, Strong 1988 tentang dokter, dan Johnson 1998 tentang perwakilan serikat pekerja), dan momen-momen khusus dalam kehidupan sehari-hari (Flaherty 1999 pengalaman waktu berjalan lambat, dan Katz 1999 tawa di rumah hiburan).

Tidak ada skala analitis khusus untuk fenomena yang dapat ditangani dengan AI. Masalah penelitian dapat berupa peristiwa sosial makro seperti gerakan sosial revolusioner, fenomena skala menengah seperti cara berkelanjutan menjadi siswa di jenis lembaga pendidikan tertentu, atau fenomena mikrososial sehari-hari seperti gerakan ekspresif yang hanya dapat dilihat dengan jelas ketika rekaman video. berulang kali ditinjau.

Bagaimana AI Mengubah

Teori AI mengubah dan menghasilkan apresiasi sosiologis terhadap fenomena di sepanjang garis yang berulang. Explanandum sering awalnya didefinisikan sebagai tindakan atau peristiwa terpisah, misalnya konsumsi obat, melebihi masa kerja tertentu pada pekerjaan, atau komisi dari pukulan fatal. 

Fenomena target secara progresif didefinisikan ulang untuk mengatasi suatu proses: komitmen yang gigih, misalnya, kecanduan obat; pemeliharaan perspektif, seperti cara terlibat dengan tantangan pekerjaan; atau fase perubahan pribadi, seperti dalam transformasi emosional yang dialami saat menjadi marah.

Kondisi penjelas, sering kali awalnya didefinisikan dari luar sebagai faktor latar belakang biografis dan ekologis, didefinisikan ulang untuk menentukan interaksi melalui mana orang, dengan mempelajari, mengenali, atau menjadi sadar akan fitur masa lalu dan keadaan mereka, pada dasarnya mengatur dinamika motivasional perilaku mereka sendiri.

Metodologi AI dengan demikian sesuai dengan perspektif teoretis interaksi simbolik (SI) (Manning 1982; lihat Interaksi Simbolik: Metodologi), yang menetapkan bahwa tindakan seseorang dibangun dan berkembang dari waktu ke waktu melalui proses pembelajaran, coba-coba, dan penyesuaian terhadap tanggapan orang lain.

Meskipun penulis tidak selalu menyajikan temuan mereka dalam kategori ini, hasil teoritis umum AI adalah untuk menyoroti masing-masing dari tiga jenis mekanisme penjelasan. Satu poin tentang kepraktisan tindakan (misalnya, mempelajari teknik khusus untuk merokok ganja).

Yang kedua berkaitan dengan masalah kesadaran diri dan harga diri (misalnya, menghubungkan ketidaknyamanan fisik dengan penarikan dari opiat). Yang ketiga mengacu pada dasar motivasi sensual dalam keinginan, emosi, atau rasa paksaan untuk bertindak (misalnya, menggelapkan uang ketika merasa tertekan untuk menyelesaikan masalah keuangan rahasia).

Mungkin tujuan jangka panjang AI yang paling ambisius adalah untuk mengembangkan serangkaian pertanyaan paling ekonomis yang mampu mengungkap proses-proses khusus yang membentuk setiap momen yang dialami dalam kehidupan sosial.

AI dalam Etnografi

Pada 1950-an, laporan studi AI sering kali berbentuk penelusuran bagaimana kasus-kasus negatif mengarah, selangkah demi selangkah, ke keadaan akhir teori. Pada tahun 1980 sebuah studi AI lebih mungkin disajikan dalam gaya teks etnografis.

Para etnografer menganggap prinsip AI berguna untuk memandu pengumpulan data dan membentuk analisis. Seringkali dimulai sebagai orang luar dan biasanya peduli untuk mendokumentasikan realitas sosial seperti yang dialami oleh anggota, etnografer mendefinisikan kembali kategori menuju homogenitas ‘dari dalam’.

Ketika rasa redundansi berkembang dalam wawancara dan pengamatan, mereka biasanya mencari data yang tidak biasa yang secara implisit akan berfungsi sebagai kasus negatif. ketika analisis eksplisit dimulai.

Para etnografer berada pada posisi yang lebih baik untuk melacak bagaimana kehidupan sosial berkembang daripada mengontrol variabel-variabel saingan sebagai sarana untuk memperdebatkan mengapa jenis tindakan tertentu terjadi.

Pada gilirannya, mereka menjauh dari teori prediksi dan ke arah mendokumentasikan keteraturan dalam evolusi bentuk-bentuk perilaku yang signifikan. Strategi metodologis AI juga cocok dengan gaya naratif etnografi.

Karena logika pembuktian dalam AI semata-mata bergantung pada kekayaan atau keragaman kasus yang telah terbukti konsisten dengan penjelasan akhir, bukan pada penghitungan kasus konfirmasi, peneliti mendemonstrasikan kekuatan pembuktian teori dengan menunjukkan bagaimana variasi eksplanans. , A, B dan C (A n, dll.) cocok dengan contoh eksplanandum, X (X n).

Demikian pula, format umum untuk penulisan etnografi adalah memberi judul artikel atau bab ‘karir …,’ atau ‘melakukan …,’ atau ‘menjadi …,’ dan kemudian, dalam subbagian terpisah, untuk menggambarkan berbagai cara yang masing-masing kondisi penjelas dan fenomena yang dihasilkan terbentuk. Penulis secara implisit menjabarkan ‘coding’ atau prosedur interpretatif yang telah diterapkan pada kumpulan data.

Bagian terpisah dapat dikhususkan untuk kasus penghentian, atau transisi ke non-X. Misalnya, dalam sebuah studi tentang pengemudi yang menjadi marah, berbagai kasus menggambarkan bagaimana pengalaman ‘dipotong’ muncul, bagaimana pengemudi melihat diri mereka dalam hubungan asimetris dengan pengemudi lain, bagaimana mereka memobilisasi untuk membalas dendam; dan bagaimana masing-masing kondisi penjelas ini ditiadakan dalam kasus-kasus yang menunjukkan bahwa kemarahan mereda (Katz 1999).

Keterbatasan

Keterbatasan Logika AI menyiratkan kondisi ideal untuk pengumpulan data yang jarang terpenuhi. Peneliti tidak boleh terikat pada definisi eksplanandum yang telah ditetapkan sebelumnya atau konvensional.

Sumber pendanaan, bagaimanapun, biasanya dimotivasi oleh masalah seperti yang didefinisikan oleh budaya populer dan seperti yang didokumentasikan oleh statistik resmi. Peneliti harus terus-menerus mengubah pencarian data saat analisis berkembang.

Namun, kepraktisan proyek-proyek etnografi seringkali menekan keterlibatan yang kurang fleksibel di lapangan. Data harus melacak kemunculan dan penurunan eksplanandum, data harus tetap konstan melalui inspeksi berulang, dan harus ada serangkaian contoh yang tidak ada habisnya untuk menguji hipotesis.

Data tersebut dapat dibuat melalui rekaman video yang tidak mencolok dari tindakan terletak, tetapi rentang fenomena yang dapat dijelaskan secara bersamaan melalui fase kemunculan dan penurunan, in situ, dalam jumlah besar, dan tanpa reaktivitas baik selama perekaman asli atau inspeksi ulang tak terbatas, adalah sangat terbatas.

Kritik dan Tanggapan

Meski begitu, apresiasi tentang bagaimana AI dapat mengeksploitasi bukti ideal membantu dalam menilai kritik utama yang ditujukan padanya. Salah satu kelemahan yang sering dikutip adalah bahwa AI hanya menentukan kondisi yang diperlukan tetapi tidak cukup. Lain adalah bahwa ia menghasilkan penjelasan tautologis.

Jika memang peneliti hanya mencari faktor-faktor yang umum dalam etiologi X, mempersempit definisi dan melepaskan kasus-kasus ketika menghadapi kasus-kasus negatif, penjelasannya mungkin hanya menentukan prasyarat-prasyarat yang diperlukan tetapi tidak terlalu khusus untuk X, apalagi cukup untuk menyebabkannya.

Klaim Cressey bahwa ‘masalah yang tidak dapat dibagikan’ dan ‘rasionalisasi’ menjelaskan bentuk penggelapan tertentu sangat rentan atas dasar ini, terutama karena dia tidak pernah menggambarkan tindakan penggelapan yang ada.

Tetapi jika, seperti yang sering terjadi, peneliti menemukan data yang menggambarkan titik transisi dari m non-X ke X, serta data yang menjelaskan perkembangan dari X ke non-X (misalnya, studi desistance), klaim kecukupan dapat diuji dengan tepat.

Mengenai tautologi, ketika kondisi penjelas adalah masalah sosial-psikologis dari perilaku interaktif, sebagai lawan dari masalah psikologis dan internal pemikiran dan pandangan, mereka dapat dikodekan secara independen dari X. Perhatikan bahwa setiap penjelasan kausal yang benar tentang perilaku harus muncul beberapa potensi kasus tautologi.

Gagasan kecukupan kausal adalah bahwa, tanpa pemutusan eksistensial, kehadiran simultan A, B, dan C secara instan menghasilkan X; dalam beberapa kasus seharusnya tidak ada bukti yang memungkinkan pengkodean A, B, dan C terlepas dari data yang menggambarkan X.

Seharusnya diharapkan bahwa dalam beberapa kasus perkembangan faktor penjelas akan digambarkan sebagai terus menerus dengan munculnya fenomena sasaran.

Tetapi AI juga mengarahkan peneliti untuk mencari sejarah kasus di mana, sebagai alternatif, masing-masing A, B, atau C tidak ada dan kemudian muncul, mengarah ke X; serta kasus di mana X telah ada dan kemudian, sebagai alternatif, A, B, atau C menurun atau berakhir, yang mengarah ke non-X. AI sangat selaras untuk mengeksploitasi keadaan kontras di temporal sebagai lawan dari data crosssectional. 

Contoh terbaik AI menyajikan bukti hanya dalam bentuk berurutan ini, misalnya menunjukkan perkembangan kecanduan setelah pengakuan eksplisit dan tiba-tiba bahwa pola penderitaan yang berlangsung lama disebabkan oleh penarikan opiat berulang (Lindesmith 1968).

Generalisasi, Prediksi dan Retrodiksi

Meskipun studi AI, untuk memungkinkan definisi elemen penjelas berkembang, tidak dapat melanjutkan dari sampel probabilistik dan menghasilkan statistik bermakna yang membuktikan keterwakilan, mereka pada dasarnya diarahkan untuk generalisasi.

Dengan mencari kasus negatif, peneliti menguji penjelasan terhadap klaim bahwa dalam waktu, tempat, dan keadaan sosial selain yang mendefinisikan koleksi awal, penjelasan tidak akan berlaku.

Ketika penjelasan didefinisikan ulang, itu menjadi lebih bernuansa dan lebih luas dalam validitas yang ditunjukkan. Validitas eksternal tergantung pada keragaman internal, bukan pada kuantitas dan keseragaman yang diperoleh secara logis dari kumpulan data.

Untuk alasan ini, studi AI yang melaporkan data yang monoton, abstrak, dan statis akan menjadi lemah secara metodologis.

AI tidak dapat menghasilkan prediksi dalam arti menentukan kondisi pada waktu 1 yang akan menghasilkan perilaku tertentu pada waktu 2. Homogenitas kausal yang dituntut oleh metode bergantung pada subjek yang mendefinisikan situasi mereka dengan cara yang umum, dan tidak ada penelitian yang pernah menemukan ‘objektif ‘ kondisi yang dengan sempurna akan memprediksi pemahaman orang tentang latar belakang biografi dan konteks ekologis mereka. Metodologi ini, bagaimanapun, mendukung apa yang mungkin disebut ‘retrodiksi’: pernyataan bahwa jika perilaku tertentu diamati telah terjadi pada waktu .

Fenomena tertentu akan terjadi pada waktu 1. Sementara AI tidak pernah berusaha untuk menghasilkan sejarah alam yang menentukan urutan urutan melalui mana bentuk-bentuk sosial tertentu muncul (pertama kondisi A, kemudian kondisi B, kemudian kondisi C), selalu membuat klaim dari satu atau lebih, prasyarat secara individual dan cukup bersama-sama dari explanandum.

Jadi, misalnya, AI tidak akan mencoba untuk memprediksi siapa yang akan menjadi pembunuh, tetapi jika seseorang menemukan kasus penyerangan pembunuhan yang marah, AI dapat mendukung pernyataan tentang apa yang pasti terjadi dalam perjalanan ke penyerangan: transformasi emosional dari penghinaan menjadi kemarahan, pengakuan berada di posisi terakhir untuk membela harga diri, dan optimisme tentang kesuksesan praktis (Katz 1988).

Banyak dari apa yang dikatakan berharga tentang prediksi, seperti potensi intervensi dan kontrol, tetap tersedia ketika hasil mendukung retrodiksi. 

Memang, mungkin fokus yang paling berguna untuk kebijakan intervensi adalah identifikasi prasyarat yang didefinisikan secara sempit yang khas untuk perilaku bermasalah, bahkan jika kondisi tunggal saja tidak cukup untuk menyebabkan masalah Dengan mendefinisikan kembali fenomena dari perspektif aktor, dan dengan menemukan dan menguji analisis tentang bagaimana bentuk kehidupan sosial tertentu muncul, AI memberikan kontribusi unik yang dapat dihargai tanpa mengesampingkan kontribusi penelitian statistik. 

Ketika mendefinisikan ulang explanandum dari definisi yang awalnya diambil dari budaya konvensional, AI biasanya mengungkapkan jarak sosial antara orang dalam dan orang luar, dan realitas konflik budaya.

Meskipun jarang disebut-sebut sebagai ‘penelitian kebijakan’, hasilnya adalah penggambaran terdokumentasi dari beberapa segmen kehidupan sosial yang secara sistematis disalahartikan oleh budaya yang mendukung kekuasaan.

Sejauh kontrol sosial, yang dipengaruhi oleh pemungutan suara populis dan diterapkan melalui tindakan quotidian pejabat, didasarkan pada stereotip tentang perilaku bermasalah, AI dapat memainkan peran penting dalam reformasi kebijakan dalam jangka panjang, terutama jika teks etnografinya digunakan secara luas dalam pendidikan universitas.

Untuk sarjana sejarah budaya dan diferensiasi budaya, AI dapat mendokumentasikan perubahan berbagai pengalaman di beberapa bidang kehidupan sosial (misalnya, berbagai pengalaman dalam penggunaan narkoba, kecerdasan profesional, atau perilaku tertawa).

Mungkin yang paling umum, AI dapat menentukan ‘esensi’ fenomena sosiologis dalam arti mendokumentasikan apa yang terkandung dalam garis tindakan dan bentuk pengalaman sosial tertentu. 3. Prospek Selama 75 tahun sejarahnya, AI telah melepaskan klaim retoris sebagai prioritas sebagai logika yang harus memandu pengumpulan data sosiologis, bermetamorfosis menjadi strategi yang meresap, jika biasanya implisit, untuk menganalisis data kualitatif.

Dalam filsafat ilmu, klaim metodologi yang dianggap tidak tepat tentang ‘induksi’ telah digantikan oleh konsep ‘retroduksi,’ atau pencocokan ganda analisis dan pengumpulan data (Ragin 1994). Demikian pula, telah diakui bahwa ‘retrodiksi’ tetapi bukan ‘prediksi’ menangkap kekuatan penjelas AI. Prospek AI bertumpu pada tiga alasan.

Pertama, ada konsensus luas bahwa penjelasan, apakah probabilistik atau ‘universal,’ cenderung bekerja lebih baik, semakin sesuai dengan perspektif subjek. AI berfokus paling terpusat pada latar depan kehidupan sosial, menjangkau latar belakang subjek dengan panjang yang bervariasi, tetapi selalu membutuhkan pemeriksaan yang cermat terhadap konten pengalaman yang ditargetkan.

Dengan demikian, hal ini menyeimbangkan ketidakpedulian relatif dalam banyak penelitian statistik terhadap isi spesifik dari penjelasan, yang sering dibiarkan dalam bentuk kasar seperti kejahatan ‘serius’ (FBI ‘Bagian Satu’), atau ‘kekerasan’ yang dicirikan sendiri. temuan AI menunjukkan bahwa jika penelitian sosial memaksakan definisi pada subjek terlepas dari makna perilaku mereka terhadap mereka, itu akan berisiko mengabadikan stereotip buatan dan mendukung hubungan kekuasaan yang tidak sesuai untuk pembuatan kebijakan yang efektif.

Akhirnya, dan yang paling luas, kegunaan AI bergantung pada dua fitur pemikiran sosiologis yang gigih. Salah satunya adalah kekaguman pada keragaman bentuk-bentuk khas yang tak ada habisnya di mana orang-orang membentuk kehidupan sosial mereka. Yang lainnya adalah pengamatan bahwa setiap bentangan pengalaman pribadi yang berbeda secara subyektif datang dengan ekor yang panjangnya biografis.

Jika seseorang mungkin tidak pernah memprediksi perilaku dengan keyakinan yang sempurna, tetap saja bentuk-bentuk yang mencirikan segmen kecil dan besar dari kehidupan bukanlah hal-hal yang dangkal yang muncul sepenuhnya dibuat dan dengan spontanitas acak.

Bahkan ketika orang terus-menerus mem-bootstrap fondasi perilaku mereka, mereka mendasarkan tujuan tindakan mereka di kedalaman perspektif temporal yang kaya; mereka bertindak dengan kompetensi praktis yang rinci dan seringkali diperoleh dengan susah payah; dan mereka mempertimbangkan masalah bagaimana perilaku mereka akan terlihat oleh orang lain dengan perhatian yang berpengalaman, bahkan jika perilaku itu dilakukan secara rutin dalam sepersekian detik dari perilaku konsekuensial.

Pencarian AI untuk pengetahuan sistematis tidak kalah amannya dengan pemahaman bahwa kehidupan sosial terbentuk ketika orang mengkristalkan perspektif yang telah berkembang lama, menguraikan teknik perilaku yang sudah dikenal, dan menenun kepekaan antarpribadi yang berbudaya menjadi pola perilaku yang responsif secara situasional dan berdasarkan pengalaman.