仮説検証で終わらない量的アプローチ──「量的発見(Quantitative Discovery)」とは

一般的には
「定量研究＝演繹的な仮説 / 理論の検証」
と考えられている。

しかし、発見重視の量的アプローチ（量的発見）なら、理論の発展や生成もリードできる

▼ 以下解説🧵

1.「量的発見（Quantitative Discovery）」とは？

量的データや量的手法を用い、
- 予期せぬパターン
- 説明困難な現象（アノマリー：Anomalies）
- 未解明な構造や関係性
などを積極的に「発見」し、記述・探求すること。

2. なぜ『量的発見』が理論生成を導くのか？

量的発見を起点にアブダクション（Abduction: 最も妥当な説明を推論）を行い、既存理論への問いを生み出したり、理論の新たな発展・修正の方向性を示唆することで、全く新しい理論生成の種をまくことができる。

3. 大きい発見と小さな発見：D と d

一般的に注目を集めるのは、パラダイムシフトを起こす大きな発見（Big D: Discovery）である。

しかし、興味深いアノマリーを見つけ、その特性や影響を探る小さな発見（small d: discovery）も重要だ。

地味に見える研究の積み重ねが、大きな理論的発見（Big D）へと結実する

4. 統計的特徴が「発見」の価値ではない

統計効果量の大きさや有意性といった特徴のみで発見の価値は決まらない。

効果量が少なくても、実践的インパクトを生むこともある

（例：スケジュールや意思決定の自由度が低い仕事は、心血管疾患リスクの向上と関係があることを示唆したKarasek, 1981の研究）

5. 量的発見の5タイプ

1️⃣ 分類：どのように現象を類型化したり分類すればよいか、識別のための基盤を提供

2️⃣ 構成概念の構築 / 測定：理解が進んでいない現象を、測定可能な構成概念に転換。妥当な測定尺度の開発が実証研究と理論発展を加速させる

3️⃣ 内的・外的妥当性の評価：統計分析は、発見の正確性・信頼性や、他の文脈への一般化可能性を評価する基盤となる

4️⃣プロセス解明：時系列データ分析などにより、組織内の創発的プロセスやパターンが明らかになる

5️⃣ 理論の適用限界を示す：理論には、それが当てはまる範囲を示す「境界条件」がある。

例：メタ分析で、特定条件下でのみ効果が見られる文脈依存性を明らかになる。

また、意図的に異なる状況下でのレプリケーションは、元の発見がどこまで一般化できるか試せる。再現の失敗自体が重要な発見に

6. 量的発見を生み出すアプローチ5つ

1️⃣ 予期せぬ結果やアノマリーに基づいた直感（hunch）の追究。想定外の関係を見つけたら、なぜそうなるのかを探求する

2️⃣ 矛盾する結果を説明する特定パターンを、データから探す

3️⃣ 主流でない様々な計量手法を活用し、潜在的なパターンや構造を明らかにする

4️⃣発生頻度や検出感度が低い現象に対し、膨大なデータで分析する。

例：24年間の労災データ576,292件で、サマータイム移行による睡眠不足は労災確率を高めると発見 (Barnes & Wagner, 2009)

5️⃣ 革新的な方法論や高度な統計手法を取り入れ、従来の方法では捉えられなかったパターンや関連性を見つける

7. 量的発見を論文として発表するには？要点4つ (主にAcademy of Management Discoveries 投稿の想定）

前提：量的発見はアブダクションに基づくため、従来の仮説検証型と書き方が少し異なる。

1️⃣ 問いを立てる:
探求したい現象やアノマリーを明確に記述し、それが既存の理論や実践においてなぜ重要なのか、理論的に問題提起する

2️⃣ 仮説ではなく初期アイデアを示す:
事前仮説を立てる代わりに、研究初期の「着想（hunch）」や、文献から考えられる「代替的な可能性」をレビューする。

重要なのは正直さ（Authenticity）であり、思考実験など本当に考えたプロセスをオープンに記述する

3️⃣厳密な方法論と代替説明の徹底排除:
研究デザインや手法が厳密であることを前提に、なぜ該当方法が現象を捉えるのに適していたのか、他の可能性（既存理論や方法論自体による説明）をいかに排除するかを丁寧に説明する

※アブダクションは時に「何でもあり」に見えがちのため

4️⃣ 理論的貢献を考察 (Discussion) で掘り下げる:
ここで提示するのはデータに基づいた予備理論（pre-theory）や探索的な仮説

(a) 仮説の価値や将来性を吟味
(b) 既存理論との共通点と相違点（新しい点）を明示
(c) この発見が関連分野に与える影響、今後の研究の方向性を具体的に議論

8. まとめ

量的アプローチは、新たな理論構築を必要とする組織的·社会的なアノマリーを発見する上で重要な役割を果たす。データセットの中に眠る、理論的に豊かなアノマリーや非直感的な現象·パターンを探求しよう。

Reference: Bamberger, P., & Ang, S. (2016). The Quantitative Discovery: What Is It and How to Get It Published. Academy of Management Discoveries, 2(1), 1-6. doi:10.5465/amd.2015.0060