# Tw Research Methodology Designer

> 研究方法選擇決策樹工具，透過 10-15 個引導問題協助研究者判斷 最適合的研究典範（量化/質性/混合），並推薦具體方法論組合。 輸出：方法論選擇報告、研究設計架構圖、各方法優缺點對比、 推薦的後續 tw-research-* Skill 使用路徑。 作為「方法論決策層入口」，銜接 stat-consultant（量化）、 qualitative-analyzer（質性）、experiment-planner（實驗設計）。 當使用者提及「不知道用什麼方法」「量化還是質性」「研究方法選擇」 「methodology」「混合方法」「要怎麼設計研究」時觸發。 分類：學術研究（tw-research-*） 參考來源：agent-research-skills (research-planning + experiment-design)

- Skill: `fw1201/tw-research-methodology-designer` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add fw1201/tw-research-methodology-designer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/fw1201/tw-research-methodology-designer/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: fw1201 (https://skillmd.com/u/fw1201)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/fw1201/tw-research-methodology-designer

---


# 研究方法選擇決策樹 v1.0

## 核心哲學
「**方法論是研究的脊梁——選錯方法，再好的研究問題也站不起來。**
沒有放諸四海皆準的「最好」方法，只有最適合你的研究問題的方法。
本工具幫你在動筆前，先想清楚這個最根本的問題。」

> 參考設計：agent-research-skills/research-planning（研究路徑規劃邏輯）
> 本工具為 tw-research-skills v4.0 的「方法論決策層入口」

---

## Step 0：讀取參考資源

1. `references/methodology_comparison_matrix.md` — 三大典範對比矩陣
2. `references/mixed_methods_designs.md` — 混合方法設計類型說明

---

## Step 1：概念對齊確認卡

```
╔══════════════ 研究方法決策樹啟動 ══════════════╗
📌 任務：為您的研究問題推薦最適合的方法論
🎯 目標：方法論選擇報告 + 設計架構 + Skill 使用路徑
⏱️  預計時間：10-15 分鐘完成決策

請簡述：
1. 研究主題（一句話）
2. 研究問題（初步想法即可）
3. 研究領域（教育/語言/心理/社會等）
╚══════════════════════════════════════════════╝
```

---

## Step 2：方法論決策樹問卷（10 題）

依序回答以下問題（每題選擇最符合的選項）：

```
Q1：「您的研究目的是？
    A. 測量、比較、預測（數字說話）
    B. 理解、詮釋、探索（故事說話）
    C. 驗證已有理論在新情境
    D. 兩者都想要，尋求全貌」

Q2：「研究問題的核心動詞是？
    A. 有多少、有何差異、何者較佳、有何影響（量化傾向）
    B. 是什麼、如何發生、為什麼（質性傾向）
    C. 如何改善、最佳方案是什麼（行動研究傾向）
    D. 不確定」

Q3：「您想要的研究結論是？
    A. 可推論到更大母群體的統計結論
    B. 深度理解特定情境或個人
    C. 兼顧廣度（可推論）與深度（理解）
    D. 提出可操作的解決方案」

Q4：「您有多少時間收集資料？
    A. 短期（1-3個月）→ 適合問卷/檔案分析
    B. 中期（3-6個月）→ 適合訪談/觀察
    C. 長期（6個月以上）→ 適合民族誌/縱貫研究
    D. 使用既有資料集 → 適合次級分析」

Q5：「研究對象有多少人？
    A. 大量（N > 100）→ 量化統計分析
    B. 少量（N < 30）→ 質性深度研究
    C. 中等（N = 30-100）→ 可量可質
    D. 1-5人/個案 → 個案研究/紮根理論」

Q6：「您的研究對象屬於？
    A. 可量化的變數（態度/成績/頻率等）
    B. 難以量化的經驗/意義/過程
    C. 介於兩者之間
    D. 文本/語料/文件」

Q7：「您的研究領域偏向？
    A. 自然科學典範（客觀、可測量、重複）
    B. 人文詮釋典範（主觀、脈絡、意義建構）
    C. 批判典範（揭露權力、促進改變）
    D. 實用主義（以問題為導向，不拘方法）」

Q8：「您是否有明確假設？
    A. 是，基於理論有明確的研究假設（量化傾向）
    B. 否，以開放問題探索（質性傾向）
    C. 有初步假設，但保持開放（混合）
    D. 想從資料中浮現理論（紮根理論傾向）」

Q9：「您的研究目的含有介入/處遇嗎？
    A. 是（教學介入/訓練/治療）→ 實驗設計
    B. 否，只是描述現象
    C. 探索性，不確定」

Q10：「您的資料類型會是？（可複選）
    A. 數字/量表/測驗分數
    B. 訪談逐字稿/觀察記錄
    C. 文本/語料/文件
    D. 圖像/影音
    E. 已有的資料集/統計數據」
```

---

## Step 3：方法論推薦報告

```
╔═══════════════════════════════════════════════════╗
研究方法選擇報告
研究主題：[研究主題]
回答分析：[答題模式摘要]
╠═══════════════════════════════════════════════════╣

推薦研究典範：[量化/質性/混合 + 信心度 XX%]

主要推薦方法：[方法名稱]
說明：[為何推薦此方法的具體理由]

替代方法：[備選方法]（若主要方法不可行時）

╠═══════════════════════════════════════════════════╣
研究設計架構：

[根據推薦方法生成設計架構，例如：]

量化研究設計：
  研究典範：後實證主義
  研究設計：調查研究（Survey Research）
  資料收集：問卷（Likert 量表）
  樣本規模：建議 N ≥ 100（統計考量）
  分析方法：描述統計 + 相關/迴歸分析
  推薦 Skill：tw-research-stat-consultant

質性研究設計：
  研究典範：詮釋主義
  研究設計：現象學研究
  資料收集：半結構式深度訪談（8-15人）
  分析方法：主題分析（Thematic Analysis）
  推薦 Skill：tw-research-qualitative-analyzer

混合方法設計：
  設計類型：解釋性序列設計（量化先行，質性解釋）
  第一階段：問卷（N = 100+）→ 初步量化發現
  第二階段：訪談（N = 6-12）→ 深度解釋
  推薦 Skill：stat-consultant → qualitative-analyzer

╠═══════════════════════════════════════════════════╣
推薦的後續 Skill 使用路徑：
[根據推薦方法提供具體的 Skill 使用順序]

╠═══════════════════════════════════════════════════╣
方法論注意事項：
⚠️  [針對此研究的特殊提醒]
╚═══════════════════════════════════════════════════╝
```

---

## Step 4：三大典範快速對比

```
┌──────────────────────────────────────────────────────┐
│          量化           │    質性    │    混合方法    │
├──────────────────────────────────────────────────────┤
│ 目的：測量、預測         │ 理解、詮釋  │ 互補前兩者    │
│ 問題：有多少/有何差異    │ 是什麼/為何 │ 如何且多少    │
│ 設計：問卷/實驗/調查     │ 訪談/觀察   │ 序列/並行     │
│ 樣本：大樣本(N>100)      │ 小樣本(<30) │ 兩階段        │
│ 分析：統計               │ 編碼/主題   │ 結合兩者      │
│ 推論：可推論到母群       │ 脈絡性理解  │ 多層次理解    │
│ Skill：stat-consultant   │ qualitative │ 兩者組合      │
└──────────────────────────────────────────────────────┘
```

---

## 降級方案

若問題過於模糊，無法推薦：
- 建議先使用 `tw-research-hypothesis-generator` 釐清研究問題
- 提供「探索性訪談 → 量化驗證」的序列混合設計作為保守選項