NVivo COURSE

New Partership with NatCen Makes NVivo more Flexible and Powerful

2011-04-13T23:54:00.000-07:00

QSR managed to collaborate with NatCen, the National Centre for Social Research, an independent non-for-profit organization, to incorporate NatCen's Framework method intro NVivo 9.

Framework method is a rigorous method to produce interpretation on variety of data forms (i.e. text, audio, picture, and video) that can be handled by NVivo 9.

This progress does bring NVivo 9 on the edge in competition with other qualitative data management software. For more details about this development, visit or

NVivo 9 Made Easier for Research Teams Working in Geographical Dispersion

2011-03-14T15:03:00.000-07:00

It has become easier for research groups to use NVivo across electronic networks. Citrix's test was so successful that remote users can work as a team, even they are located in different areas all over the world as long as they have a high quality internet connection. Find more ...

NVivo 9 Coming, October 2010

2010-04-25T22:16:00.001-07:00

NVivo 9 will allow you to import and work with ‘datasets’ – a term we’re using to describe qualitative data that’s stored in a structured format, including Excel spreadsheets, Access database tables, ODBC database tables and text delimited files. What’s more, your dataset can contain a range of data types, from text to audio and images.

So now that you can work with your open ended survey responses in qualitative data analysis software, there’s no need to reduce them to a broad category or number. Find more ...

Writing Up Qualitative Research (Qualitative Research Methods)

2008-06-20T18:58:00.001-07:00

"How do you select what to write up from all the qualitative data you’ve collected? How can you best tell the story of your study? Wolcott has thoroughly revised the book that has provided a solution to this conundrum as well as inspired thousands of readers with their writing.

Using lively examples from his and other researchers’ experiences, friendly, practical tips, and a warm, reflective writing style, Wolcott offers readers suggestions for when and where to begin, how to keep the momentum going once writing is underway, suggestions for tightening things up, alternatives for handling questions of theory and method, how to proceed with the mechanics of preparing a manuscript from the table of contents to the index, and how to get published. Find more about this book ...

The Art of Writing Proposals

2008-06-07T01:34:00.001-07:00

Writing proposals for research funding is a peculiar facet of North American academic culture, and as with all things cultural, its attributes rise only partly into public consciousness. A proposal's overt function is to persuade a committee of scholars that the project shines with the three kinds of merit all disciplines value, namely, conceptual innovation, methodological rigor, and rich, substantive content. But to make these points stick, a proposal writer needs a feel for the unspoken customs, norms, and needs that govern the selection process itself. These are not really as arcane or ritualistic as one might suspect. For the most part, these customs arise from the committee's efforts to deal in good faith with its own problems: incomprehension among disciplines, work overload, and the problem of equitably judging proposals that reflect unlike social and academic circumstances. Find more ...

Link to Resource on the Net

Just Schools: Pursuing Equality in Societies of Difference

2008-06-07T01:07:00.001-07:00

The result of an SSRC Working Group on “Law and Culture,” Just Schools examines schools with widely divergent methods of fostering equality in order to explore the possibilities and limits of equal education today. Educators and policymakers who share the goal of equal opportunity in schools often hold differing notions of what entails a just school in multicultural America. Some emphasize the importance of integration and uniform treatment for all, while others point to the benefits of honoring cultural diversity in ways that make minority students feel at home. The contributors to Just Schools combine empirical research with rich ethnographic accounts to paint a vivid picture of the quest for justice in classrooms around the nation. Find more ...

Technorati Tags: book, school, equality, society

NVivo 8 in Spanish and Mandarin

2008-06-03T23:23:00.001-07:00

This edition of NSight is about all things new! New Mandarin and Spanish interfaces in NVivo 8. New approaches to quantitative based market research courses using XSight. New ways of using NVivo 8 to share your findings. And new software reviews and user stories, including how Australian firm Banarra is using our software in the emerging sustainability assurance field. Read on to find out more! Find more ...

Technorati Tags: research, qualitative research, NVivo

Factors Affecting Students' Retention at Kuwait University

2008-06-03T05:58:00.001-07:00

This article addresses the factors that affect students' retention at Kuwait University. Five hundred seventy students participated in the study. A survey of 22 retention factors was designed to measure student perceptions.

Students presented their agreement on factors which included: achieving personal aspiration, getting jobs, free-of-charge education, acquiring social class, developing skills, achieving academic merit in a field of study, high standard reputation of the university, and feeling one belongs to the university No statistical differences were found among the students' responses according to their colleges, marital status, grade point average, numbers of academic warning, and citizenship status.

However, first-year students reported that these factors influence their retention better than other class levels. Increasing student retention is becoming a significant issue in most higher education institutions, specifically for the institutions that face a high drop-out rate. Barefoot (2004) stated that most universities and US colleges face a high rate of first and second year student attrition. For some universities, this issue may negatively affect their economic level, whereas students' fees and tuitions increase the financial revenue of the institution. Read more ...

Colleges Mine Data to Predict Dropouts

2008-05-29T23:42:00.001-07:00

When students log into the course Web site for Purdue University's freshman biology laboratory class, they see an image of a traffic light. Green means they're doing well, yellow means they're faltering, and red means they might fail.

So who's the traffic cop?

It's not the professor, and it's not the teaching assistants. Rather, it's a sophisticated computer algorithm that predicts when students are at risk of failing, based on their preparation going into the class and their behavior on the course's Web site. Read more ...

Training NVivo 4: Penggunaan Nodes dalam NVivo

2008-04-28T01:06:00.001-07:00

Proyek Anda membutuhkan beberapa tempat, bukan hanya untuk data sumber, akan tetapi juga untuk ide-ide yang Anda ciptakan atas data sumber tersebut serta tema-tema yang Anda kembangkan dari data. Pada saat Anda bekerja dengan data sumber, Anda akan mengumpulkan dan mengeksplor kategori-kategori baru dan yang ada untuk dipikirkan.

Nodes merupkan 'kontainer' atau tempat penampungan ide-ide tersebut dalam proyek NVivo Anda yang didukung dengan bukti-bukti dari data sumber Anda. Membuat dan mengekplor Nodes merupakan cara untuk meningkatkan pikiran menuju level yang lebih abstrak guna mencapai tingkat penjelasan yang lebih tinggi. Coding merupakan proses dimana Anda menominasikan bagian tertentu dari data sumber untuk dihubungkan dengan sebuah Node.

Jenis-Jenis Nodes

NVivo menyediakan jenis-jenis node yang berbeda-beda yang disesuaikan dengan jenis-jenis ide dan konsep yang akan Anda representasikan dalam proyek Anda:

Free Nodes dapat digunakan sebagai kontainer untuk ide-ide yang belum matang (loose ideas) yang secara konseptual tidak berhubungan dengan nodes lain dalam proyek Anda. Pada saat proyek Anda semakin berkembang, ini dapat dipindahkan ke dalam sebuah tempat dimana konsep tersusun secara sistematis dan logis dalam Tree Nodes.

Tree Nodes dapat digunakan untuk merepresentasikan konsep dan kategori dalam proyek Anda yang berhubungan secara logis sebab mereka dapat diatur dalam struktur secara hirarkis, yaitu kategori dan sub-kategori. Cases merepresentasikan entiti yang ada dalam penelitian Anda, yaitu orang, sekolah, institusi, keluarga dan lain-lain. Ini juga dapat memiliki 'Attributes' untuk mencatatat karakteristik entiti ini, yaitu entiti yang akan Anda pertanyakan.

Cases, sama dengan Tree Nodes, dapat disusun secara hirarkis.

Matrices dapat digunakan untuk menunjukkan bagaimana konten Nodes yang berbeda saling berhubungan satu sama lain. Matriks ini dibuat dengan cara me-querying data Anda menggunakan 'matrix coding queries' dan dipresentasikan dalam format tabel.

Relationships merepresentasikan hubungan yang Anda tahu atau temukan antara item dalam proyek Anda. Bisa jadi, Anda telah menentukan beberapa tema atau topik yang Anda ingin tampilkan sebagai Nodes dalam proyek Anda sebelum mengeksplorasi data sumber Nodes.

Strategi Pembuatan Nodes

Apabila Anda tidak yakin, jenis Nodes apa yang seharusnya dibuat, ajukan beberapa pertanyaan tentang tujuan yang Anda ingin representasikan dalam proyek Anda lewat Nodes:

Anda sebagai hasil dari investigasi Anda sebelumnya terhadap literatur atau area utama dalam pertanyaan-pertanyaan interview Anda. Saat Anda mengelola data sumber, Anda dapat menemukan sejumlah tema atau topik yang Anda ingin tampilkan sebagai berikut:

Apakah Node Anda merepresentasikan sebuah entity dalam riset Anda, seperti orang atau institusi?
Apakah Node Anda bertujuan untuk merepresentasikan sebuah topik, tema atau kategori dalam data sumber Anda? Jika demikian, apakah ia berhubungan dengan topik, tema dan kategori lain dalam proyek Anda?
Apabila demikian, pertimbangkan pembuatan sebuah Tree Node; dan apabila tidak, sebaiknya Anda menggunakan Free Node.

Apakah Node Anda merepresentasikan sebuah koneksi atara item dalam proyek Anda? Apailan demikian, gunakan fasilitas 'Relationship' antara item-item tersebut.

Penamaan dan Deskripsi Node

Lebih baik Anda memberi nama yang pendek secara konsisten untuk Node Anda. Deskripsi sangat bermanfaat untuk mencatat pikiran Anda atas sebuah konsep dan instruksi tentang cara Anda menggunakan Node yang ada.

Berapa banyak Node yang Anda butuhkan?

Adalah penting menemukan keseimbangan antara jumlah Node yang ada dalam proyek Anda dan tingkat konsistensi.

Faktor-faktor yang dapat berpengaruh pada jumlah Node Anda adalah sebagai berikut:

Karakter riset Anda: proyek jangka pendek yang bertujuan untuk membuat rangkuman tematis dari sebuah materi mungkin memiliki jumlah Node yang lebih kecil dibandingkan dengan sebuah proyek jangka panjang yang bertujuan untuk membangun interpretasi rinci, atau pola data yang bertujuan untuk melakukan validasi lewat beberapa sampel dan tempat.

Karakter metodologi riset untuk proyek Anda, seperti proyek analisis diskursif mungkin hanya menggunakan anotasi dan memo untuk menyimpan interpretasi atas data sumber Anda. Artinya, Anda tidak perlu membuat Node.

Fase proyek Anda: Jumlah Node akan selalu berganti sepanjang Anda menangani sebuah proyek. Anda mungkin mulai dengan sejumalah kecil kategori atau tema dalam proses kode topik awal, lalu membuat sejumlah kategori dan tema baru saat Anda melangkah maju dalam analisis dan merevisinya pada fase berikut.

Membangun Hirarki Node secara Efisien

Susunan hirarkis Node menunjukkan bentuk kategori yang ada dan konsep-konsep yang dianalisis dalam data. Hirarki sistematika yang baik atas Tree Node atau Cases seharusnya:
Memungkinkan Anda menemukan Node tertentu dengan cepat.

Membantu mengenali hubungan Node tertentu dengan Node yang lain dan tempatnya dalam proyek Anda.

Memberikan kemampuan untuk melihat dan mencari dimensi kategori yang direpresentasikan oleh sebuah Node (dimensionalizing).

Tips: Aturan sederhana yang dapat Anda gunakan, apabila sebuah Node sangat jelas kesesuaiannya dengan pohon (tree) konsep Anda, maka Anda dapat meletakkannya dalam pohon konsep tersebut. Apabila tidak, jangan dipaksakan. Anda dapat membuatnya sebagai Free Node sampai Anda menemukan hubungannya dengan Node lain menjadi jelas.

Membuat Struktur Hirarkis Node

Hirarki Node paling tepat apabila tingkat koherensi dan konsisinya dipertahankan. Anda harus meyakinkan bahwa kategori-kategori yang berhubungan disimpan pada tempat atau kelompok yang sama. Masalah yang paling umum dalam hirarki adalah dimana Anda telah membuat sebuah Node untuk setiap kombinasi kategori yang memungkinkan. Bukannya memberikan kode yang berbeda pada paragraf yang sama.

Apabila Anda tidak yakin apakah sebuah kategori cocok untuk ditempatkan pada sebuah hirarki node yang ada, tanyakan apakah ia adalah sebuah kategori yang sedang dikaji. Apabila iya, ia dapat dijadikan sebuah Child Node dalam Tree Node.

Apabila tidak, maka pikirkan apakah ia sebaiknya menjadi bagian dari Tree yang lain atau ia eksis secara independen sebagai sebuah Free Node misalnya. Sama halnya, apabila Anda melihat sebuah nama Node muncul lebih dari satu kali dalam Tree Anda, Anda mungkin perlu membuatnya sebagai Node tersendiri.

Flinders venture for research software

2008-04-26T21:50:00.001-07:00

FLINDERS University has formed a joint venture with US-based Innovista Systems to launch software to assist universities and research institutes in commercialising research.

The relationship with Innovista Systems is one of the first international collaborations for newly formed Flinders Partners, the university's commercial arm, after the merger of the former Flinders Technologies and Flinders Consulting.
The ASK software provides a platform for analysing research projects, assessing market readiness and advising on requirements before a product can be offered for sale.
Flinders Partners managing director Anthony Francis said ASK would be a useful tool for the university sector, which had a history of innovative research initiatives but less success in delivering products to market.
"We looked around and everyone seems to have the same problem," Mr Francis said. "Most universities, and even commercial firms, have done one or two projects really well, but there are plenty of good ideas and research out there that really aren't being forwarded."
The collaboration will incorporate Flinders University's commercialisation software with the intellectual property management system of the US company.
Both ASK and the combined software package will then be marketed globally.
Innovista Systems is an offshoot of Knowligent, a successful Massachusetts company designing and marketing intellectual property management systems.
"Most of the things that are around, such as Microsoft Project, assume that you know what you are doing from the outset," Mr Francis said. "Whereas the projects in the innovation space often have to adapt to what is learnt from the market or what happens along the way, and ASK is a way to ensure that the project keeps changing shape or adapting."
Mr Francis said the software's key feature was to generate a work plan for how to commercially develop a project, as well as the research and technical needs.
"Another feature is to keep track and report on those projects as you go," he said.
The software was expected to be due for commercial release in July at a cost of $25,000 to $30,000.The dollar value of the collaboration between Flinders University and Innovista Systems was not disclosed."We are trying to improve the integration of the technical side of the project with the distribution side of the process," Mr Francis said. (Source)

Technorati Tags: Flinders

Training NVivo: Pertemuan Kedua

2008-04-15T02:17:00.001-07:00

Dalam pertemuan kedua pada sesi training NVivo pada hari Senin tanggal 14 dengan materi 'Teknik Pemberian Kode pada Data Kualitatif dengan Menggunakan Menu Document pada fasilitas Resouces. Masalah yang dipelajari dalam istilah penelitian kualitatif pada sesi ini adalah 'bagaimana menemukan inti cerita' dari sebuah (hasil wawancara, dokumen atau catatan observasi). NVivo dalam hal ini memakai dua istilah penting yaitu Coding dan Nodes. Coding artinya Anda berusaha mengidentifikasi inti cerita atau ide utama yang terdapat dalam data Anda dengan cara memberikan nama. Cara memberi nama atau kode ada dua, yaitu secara bebas dan terikat. Secara bebas, artinya Anda memberikan kode berdasarkan istilah yang dipakai dalam data secara langsung. Ini dapat dilakukan pada tingkat kalimat, paragraf dan passage. Seperti halnya dengan teknik pemberian kode, pemberian nama kategori atas kode-kode tersebut pun ada dua, yaitu bebas dan terikat. Bebas, artinya Anda merumuskan sistematika kategori berdasarkan ketersediaan kategori dalam hasil coding. Sedangkan terikat, artinya Anda menyiapkan pola atau template terlebih dahulu secara sistematis berdasarkan pola konsep yang Anda bangun. Setelah itu, Anda tinggal memasukkan hasil coding dalam setiap kategori atau konsep yang telah Anda sediakan berdasarkan pemahaman Anda terhadap pertanyaan riset.

Dalam pertemuan ini ada dua isu penting yang perlu diperhatikan, yaitu:

Pertama, setelah peserta berlatih secara langsung memasukkan data dalam Document NVivo, berupa data set dari 6 sumber yang diwawancarai (red. simulasi), ditemukan bahwa masalah reliabilitas kode data kualitatif sangat perlu untuk diperhatikan. Dalam pelatihan ini, mereka diminta untuk melakukan coding data yang simpel secara terpisah. Lalu, hasil coding mereka dibandingkan. Ternyata, dengan data kecil ini saja dalam masalah yang sangat sederhana, yaitu masalah persepsi seseorang, dalam hal ini informan, mereka masih sulit membuat kode yang sama antar peserta. Artinya apa? Reliabilitas hasil analisis mereka lemah. Apabila Anda melakukan analisis data kualitatif, lalu menarik kesimpulan dari hasil analisis yang Anda lakukan sendiri tanpa melewati proses konfirmasi dan diskusi dengan teman atau orang lain yang mengerti masalah yang sedang Anda teliti, maka bisa dipastikan bahwa kesimpulan penelitian Anda tidak memiliki reliabilitas yang cukup sehingga kesimpulan yang Anda buat pun menjadi lemah.
Kedua, sebelum proses pemberian kode terhadap data dimulai. Peserta tidak merumuskan suatu guideline yang disepakati bersama tentang konsep dan teknik coding. Sehingga pada saat hasil coding dikonfismasikan satu sama lain, timbul beberapa perbedaan dalam memaknai kode yang sama. Artinya, apabila Anda melakukan analisis data qualitatif, demi menjaga konsistensi pemberian kode, adalah sangat penting untuk merumuskan panduan bersama terlebih dahulu. Sedapat mungkin, segala konsep inti dalam penelitian didefinisikan secara details. Sehingga dalam proses pemberian kode secara terpisah, Anda memiliki pemahaman dan persepsi yang sama dalam memberikan kode. Dengan demikian, perbedaan hasil kode dapat dijustifikasi.

Mengapa data kualitatif harus reliable?

Penelitian adalah proses pencarian kebenaran ilmiah dan data adalah sumber kebenaran ilmiah (empiris dan dapat diverisikasi). Data yang sama dapat diinterpretasikan secara berbeda karena perbedaan sudut pandang. Artinya, persamaan sudut pandang dalam melihat dan memahami data menuju pada konsistensi pemberian kode merupakan cara untuk menverifikasi tingkat keakuratan pemahaman Anda atas data tersebut. Semakin tinggi tingkat kesepakatan Anda dengan orang lain dalam pemberian kode menunjukkan kekuatan tingkat kepercayaan pada hasil analisis Anda.

Mengapa tingkat keakuratan dipermasalahkan?

Kebenaran ilmiah tidak terlepas dari isu keakuratan. Artinya, semakin akurat Anda dalam memahami data yang ada, maka semakin kuat pula kesimpulan yang lahir dari hasil analisis Anda. Di samping itu, cara pandang Anda terhadap data tersebut semakin jauh dari bias pribadi Anda. Dengan demikian, kesimpulan yang Anda ambil sedapat mungkin mampu berbicara tentang apa yang terjadi pada alam realitas (empiris), bukan tentang 'apa yang Anda inginkan dan bayangkan'.

Materi latihan dan draf panduan dapat Anda download dari alamat ini

Technorati Tags: research training, NVivo, research course, qualitative research

NVivo Updated to Work with Audio and Visual Files April 4 2008

2008-04-07T20:18:00.001-07:00

In Australia, qualitative research software developer QSR International has updated its NVivo product to include new audio and visual capabilities.
NVivo 8 has been introduced after more than two years’ research and development, and was subjected to intensive beta testing among researchers in academic, government and commercial fields prior to the launch.
CEO John Owen says that the update allows researchers to choose to work with or without a transcript or create their own in the software. ‘Clients can now manage, shape and analyze virtually any type of unstructured material – from media clips and music to pdf documents and photos, side by side. They can even share their findings and files via new mini-websites with others who don’t have the software,’ he explained.
NVivo was first launched in 1999. Since then, it has undergone two overhauls resulting in NVivo 2 (2002) and NVivo 7 (2006). Last year, the firm launched a Japanese version of the product (Have a look at this web).
Owen clarified that NVivo 8 integrates existing tools with new materials and features, meaning users won’t need to re-learn the application. He said the software would still have the same familiar Windows XP interface as NVivo 7, but for the first time would offer researchers the ability to:

Import, sort and analyze audio files, videos and pictures in the same way as documents
View or listen to their video and audio clips via an inbuilt media player and vary the playback speed, rewind or skip sections – as with a normal video player
Merge separate projects and still identify which coding was completed by which person
Create and export charts
Share findings with clients or colleagues with non-users using HTML.

QSR International is headquartered in Victoria, Australia, with additional offices in North America and Europe. The firm is online at www.qsrinternational.com .

PROBLEM OBYEKTIVITAS DAN SUBYEKTIVITAS

2007-12-01T04:39:00.000-08:00

Tujuan:

Materi kedua ini bertujuan untuk menjelaskan secara singkat akar permasalahan timbulnya perbedaan antara pendukung metode kualitatif dan kuantitatif. Diharapkan setelah mengenali secara singkat akar permasalahnnya, kita akan lebih arif dan lebih dapat menempatkan masalah ini secara proposional dan terhindar dari pedebatan sia-sia.

Setelah materi ini dianggap cukup, kita akan kembali melanjutkan materi pertama seputar pengamatan kita terhadap dunia ril. Lalu, setelah itu kita akan menyajikan materi penelitian kualitatif dan kuantitatif secara terpisah atas alasan metodologis. Perlu diingatkan, bahwa kajian penelitian kuantitatif akan diintegrasikan dengan penguasaan aplikasi SPSS untuk statistik dasar dan penelitian kualitatif akan diintegrasikan dengan penguasaan aplikasi Nvivo.

Secara filosofis, kecenderungan penelitian kuantitatif berakar dari pandangan dunia dalam melihat hubungan antara obyek dan subyek. Apakah kebenaran bersumber dari obyek atau subyek yang mengalaminya. Apabila kebenaran bersumber dari obyek, maka penetapan kriteria kebenaran mesti berdasakan pada kondisi obyektif sesuatu yang dialami. Sebaliknya, apabila kebenaran berasal dari subyek yang mengalami, maka penetapan akhir kebenaran sesuatu harus berdasarkan pada penilaian subyek yang mengalami.

Pada tataran pendekatan penelitian, kedua pandangan filosofis tersebut terbagi ke dalam dua kelompok, yaitu kelompok yang menekankan penetapan kebenaran pada hasil pengukuran secara obyektif dengan instrumen statistik dan kelompok yang menekankan penetapan kebenaran pada hasil laporan pengalaman subyek penelitian secara verbal.

Kecendungan kelompok pertama banyak dianut oleh pada sosiologis dan kecenderungankedua banyak dianut oleh para antropologis.

Secara metodologis, kelompok pertama memakai pendekatan keterukuran (measures) dan kelompok kedua cenderung menolak asumsi keterukuran.Karena itu, kelompok pertama lebih mengutamakan pemakaian pengukuran statistis dan kelompok kedua lebih mengutamakan informasi verbal dari pada angka statistik.

Secara politis, kelompok pertama banyak dikritik atas kecenderungan oversimplikasi atas fenomena sosial dengan model statistik; seakan-akan dipaksakan untuk menyamakan antara fenomena sosial dan alam.

Padahal, fenomena sosial jauh lebih kompleks, dinamis dan cenderung mustahil untuk diprediksi. Sebaliknya, kelompok kedua dikritik karena cenderung tidak obyektif dan bias dalam menampilkan fenomena sosial sehingga teori keilmuan yang memiliki asumsi keberaturan (consistency) tidak dapat dipenuhi. Sebagai konsekuensi dari pandangan ini, menolak kontrol fenemena sosial lewat pengukuran secara statistik. Angka-angka tidak mungkin dapat mengakomodasi kompleksitas fenemena sosial.

Menanggapi perdebatan seperti ini, saya lebih cenderung berpendapat bahwa perdebatan seperti ini tidak terlalu berpihak pada pengembangan ilmu pengetahuan apabila dilakukan secara tidak proporsional. Saya memiliki asumsi kuat bahwa perdebatan seperti ini sering muncul lebih banyak dipengaruhi kepentingan ideologis dan ekonomis dari pada kepentingan keilmuan.

Contoh kasus di Indonesia misalnya, sebagian besar orang-orang yang memiliki latar belakang sains kuat cenderung melihat sebelah mata mereka yang berlatarbelakang ilmu sosial. Sebagai reaksi atas sikap ini, orang-orang yang berlatarbelakang sosial menemukan tempat berlindung dalam pendekatan kualitatif antropologis yang tidak membutuhkan kemampuan matematis dan statistis, tapi dibubuhi dengan argumen pseudo-rasional.

Kecenderungan ini sudah terbentuk sejak kita masuk bangku sekolah, khususnya pada tingkat SMU. Perbedaan semakin kuat saat masuk bangku perguruan tinggi dan terus meningkat setelah terlibat dalam masyarakat sesuai dengan latar belakang ilmu masing-masing. Untuk memenangkan kepentingan ekonomi, politik dan sosial dalam bidang masing-masing, perseteruan antara kedua kubu semakin kuat. Kelompok ilmu-ilmu eksakta cenderung meremehkan kemampuan kelompok ilmu-ilmu sosial dan spirit negatif ini terbawa-bawa sampai pada perebutan pengaruh.

Sebenarnya, kalau kita mencoba jujur dan berbuat untuk kepentingan ilmu dan masyarakat, di antara kedua pendekatan tersebut tidak ada yang sepenuhnya benar dan tidak ada pula yang sepenuhnya salah. Masing-masing memiliki titik kekuatan dan kelemahan.

Kalau ada dua elemen yang kita tahu masing-masing memiliki titik kelemahan dan kekuatan, apa yang kita lakukan? Apakah kita harus memilih salah satunya, membuang dua-duanya, atau memanfaatkan kekuatan kedua-duanya untuk memperoleh hasil yang lebih baik? Saya cenderung mengatakan, kalau bisa, mengapa kita tidak memanfaatkan kedua-duanya?

Adapun kecenderungan seseorang untuk memakai metode tertentu dalam penelitian lebih banyak dipengaruhi oleh latarbelakang keilmuan atau training yang mereka dapatkan. Misalnya, saya berlatarbelakang ilmu-ilmu sosial dan humaniora, tapi akhir-akhir ini selalu memakai pendekatan kuantitatif dalam penelitian. Itu bukan karena gak suka atau menyalahkan pendekatan lain, tetapi hanya karena kebetulan latihan penelitian yang saya peroleh mengajarkan itu lebih banyak.

Orang bijak berkata, "Menggunakan banyak kepala selalu lebih baik dari pada satu".