Book Review: Quantitative, Qualitative, and Mixed Methodologies in Digital Social Sciences

Рецензия на книга: Количествени, качествени и смесени методологии в дигиталните социални науки

Podcast

Подкаст

Plamen MILTENOFF

Digital research has changed the way social scientists collect, analyze, and interpret evidence. Researchers now work with online surveys, interviews conducted through digital platforms, social media data, digital traces, large text collections, network data, machine learning tools, and AI-assisted analysis. Yet the main challenge has not changed. Researchers still need to ask a good question, choose appropriate evidence, design a credible study, analyze the data carefully, and justify the conclusions.
This is the main value of Quantitative, Qualitative, and Mixed Methodologies in Digital Social Sciences by Łukasz Sułkowski, Robert Seliga, and Zdzisława Dacko-Pikiewicz. Published by Routledge in 2026, the book does not present digital methods as replacements for established social science methodology. Instead, it shows how traditional quantitative and qualitative approaches can be adapted, combined, and extended in digitally mediated research environments.

The Research Question Should Determine the Method
For years, students encountered quantitative and qualitative research as separate traditions. Quantitative research was associated with surveys, experiments, numerical data, statistical testing, generalization, reliability, and validity. Qualitative research was associated with interviews, focus groups, ethnography, case studies, interpretation, context, and lived experience.
The book argues that this division has become less useful for contemporary social science. Many important research problems require both types of evidence.
Consider research on students’ use of generative AI. A large survey may show how frequently students use AI, for which activities, and whether patterns differ by field of study. These data provide breadth. Yet the survey may not explain why students choose AI for certain tasks, how they decide whether an answer is trustworthy, or how AI changes the way they think about learning.
Interviews can address these questions. They provide depth and context. A mixed-methods design can therefore connect the two forms of evidence, using numerical patterns to identify what is happening and qualitative evidence to explain how and why it happens.
This logic runs throughout the book. Quantitative and qualitative methods are presented as complementary rather than competing approaches. Mixed methods become valuable when combining them produces an explanation that neither method would produce alone.
Mixed Methods Means Integration, Not Adding More Methods
This distinction is important for graduate students. Mixed-methods research should not mean conducting a survey and adding several interviews because the project appears more sophisticated. The book emphasizes deliberate integration.
Researchers need to decide where the two approaches connect. One phase might inform another. Quantitative findings might identify participants for follow-up interviews. Qualitative findings might help researchers design a survey instrument. Quantitative and qualitative evidence might also be collected at the same time and then compared.
The book describes sequential, convergent, and embedded mixed-methods designs and explains strategies such as merging, connecting, and embedding evidence.
This gives instructors a useful question to ask doctoral students who propose mixed methods:

What will you learn from combining these methods that you would not learn by using either method alone?
If the student cannot answer, the design needs further work.
More Digital Data Does Not Automatically Mean Better Research
Another major contribution concerns digital data.
Digital platforms make enormous quantities of behavioral data available. Researchers can study social media posts, online interactions, transactions, communication networks, learning-platform activity, sensors, and other forms of digital trace data.
This scale can create the impression of more data automatically resulting in better research.
The book repeatedly reminds readers that scale does not remove methodological problems. Large datasets still require careful consideration of sampling, measurement, validity, privacy, bias, and interpretation. Digital traces show observable behavior within a particular technological environment. They do not necessarily reveal the meaning people attach to their behavior.

Combining Big Data with Thick Data
This is why the book’s discussion of combining “big data” with “thick data” is particularly useful.
Consider student engagement in an online course. Learning management system data can show logins, clicks, time spent with resources, assignment submissions, and interaction patterns. These measures can identify differences between students.
Yet they cannot reliably explain motivation.
A student who rarely logs in may be disengaged. The student may also download materials and study offline. Another student may generate many clicks while learning very little.
Interviews, diaries, observations, or open-ended responses help researchers interpret these patterns. Quantitative evidence shows the structure of behavior. Qualitative evidence helps explain its meaning.

AI Extends Research Capacity, but Human Judgment Remains Central
The rise of AI makes this methodological combination even more important.
The book discusses computational tools, machine learning, automated text analysis, qualitative analysis software, and emerging AI-supported research processes. Its position is clear: software can help researchers process evidence, but interpretation remains a human responsibility.
This point deserves attention in graduate education.
AI can assist with transcription, coding, classification, literature analysis, statistical programming, text mining, and data visualization. Yet using AI introduces new methodological questions.
Researchers need to know which system was used, how it was prompted, what data were submitted, how results were checked, whether the system introduced errors, and whether another researcher can reproduce the workflow.

Research transparency increasingly includes transparency about human-AI interaction.
The book itself provides an interesting example. The authors disclose that ChatGPT contributed to editing and harmonizing terminology and transitions across the volume, while the authors reviewed the resulting text. This makes the volume useful beyond its methodological content. It becomes an example of how scholars are beginning to incorporate generative AI into academic production while retaining human oversight.

Mixed Methods Is Not Automatically Better
Read the book critically.
Its strong support for methodological pluralism can sometimes make mixed methods appear to represent a more advanced form of research. Graduate students should resist this interpretation. More methods do not automatically produce better evidence.
A carefully designed quantitative experiment may answer a research question adequately. A phenomenological study may require no quantitative component. Adding methods increases time, complexity, data-management requirements, analytical demands, and opportunities for inconsistency.
The appropriate principle is therefore:
Do not use more methods. Use the methods required by the question.

Why Instructors Should Read the Book
Many faculty members were trained primarily within one methodological tradition. A quantitative researcher may have extensive experience with regression, experiments, or structural equation modelling but limited experience with ethnography or thematic analysis. A qualitative researcher may have deep expertise in interviews and interpretive analysis but little exposure to computational social science or digital trace data.
The contemporary research environment increasingly requires researchers to understand the logic of methods outside their primary specialization.
This does not mean everyone must become an expert in everything.
A more realistic goal is methodological literacy. Researchers should understand different approaches, their advantages, recognize their limitations, collaborate with methodological specialists, and make informed decisions about research design.
For instructors, the book offers a structured way to update their understanding of contemporary methodology without abandoning the foundational principles of research design, validity, rigor, ethics, and interpretation.

Why Graduate and Doctoral Students Should Use the Book
For graduate and doctoral students, the book can serve an even broader function.
It can help move methodology education away from learning isolated techniques toward learning to design research.
Students can use the book to think through a sequence such as:
Research question → type of evidence required → data source → research design → analytical method → integration → interpretation → claims
That sequence matters more than learning a collection of software commands.
A student who knows to run regression in R still needs to know whether regression is appropriate for the research question. A student who knows to conduct interviews still needs to justify the sample, establish credibility, document analytical decisions, and explain how interpretations emerged from the data.
Digital tools and AI make these methodological decisions more important, not less important.

A Useful Bridge Between Traditional and Digital Research
For instructors, the book offers a useful bridge between established methodology and emerging digital research practice. For graduate students, it provides a framework for understanding quantitative, qualitative, and mixed methods as parts of a common methodological toolkit rather than isolated research traditions.
Its most important lesson is also the simplest:
Good digital social science does not begin with a dataset, a statistical package, an AI model, or a preferred methodology. It begins with the research problem.
Everything else should follow from that decision.		Дигиталните изследвания промениха начина, по който социалните учени събират, анализират и интерпретират доказателства. Днес изследователите работят с онлайн анкети, интервюта, провеждани чрез дигитални платформи, данни от социални медии, дигитални следи, големи текстови масиви, мрежови данни, инструменти за машинно обучение и анализ, подпомаган от изкуствен интелект. Основното предизвикателство обаче не се е променило. Изследователите все още трябва да формулират добър изследователски въпрос, да изберат подходящи доказателства, да проектират надеждно изследване, внимателно да анализират данните и да обосноват заключенията си.
Това е и основната стойност на Quantitative, Qualitative, and Mixed Methodologies in Digital Social Sciences by Łukasz Sułkowski, Robert Seliga, and Zdzisława Dacko-Pikiewicz. Книгата е публикувана от Routledge през 2026 г. и не представя дигиталните методи като заместител на утвърдената методология в социалните науки. Вместо това показва как традиционните количествени и качествени подходи могат да бъдат адаптирани, комбинирани и разширени в дигитално опосредствана изследователска среда.
Изследователският въпрос трябва да определя метода
В продължение на години студентите изучаваха количествените и качествените изследвания като отделни традиции. Количествените изследвания се свързваха с анкети, експерименти, числови данни, статистическо тестване, обобщаване на резултатите, надеждност и валидност. Качествените изследвания се свързваха с интервюта, фокус групи, етнография, казуси, интерпретация, контекст и житейски опит.
Авторите твърдят, че това разграничение става все по-малко полезно за съвременните социални науки. Много важни изследователски проблеми изискват и двата типа доказателства.
Да разгледаме например изследване върху използването на генеративен AI от студентите. Мащабна анкета може да покаже колко често студентите използват AI, за какви дейности и дали моделите на употреба се различават между различните специалности. Тези данни дават широта на анализа. Анкетата обаче може да не обясни защо студентите избират AI за определени задачи, как решават дали даден отговор е надежден или как AI променя начина, по който учат.
Интервютата могат да отговорят на тези въпроси. Те дават дълбочина и контекст. Следователно един дизайн със смесени методи може да свърже двата типа доказателства, като използва количествените модели, за да установи какво се случва, а качествените данни, за да обясни как и защо се случва.
Тази логика преминава през цялата книга. Количествените и качествените методи са представени като допълващи се, а не като конкуриращи се подходи. Смесените методи имат стойност, когато комбинирането им води до обяснение, което нито един от двата подхода не би могъл да даде самостоятелно.
Смесените методи означават интеграция, а не добавяне на повече методи
Това разграничение е особено важно за магистри и докторанти. Изследването със смесени методи не трябва да означава провеждане на анкета и добавяне на няколко интервюта, само защото така проектът изглежда по-сложен. Книгата поставя акцент върху целенасочената интеграция.
Изследователите трябва да решат къде и как се свързват двата подхода. Една фаза може да информира следващата. Количествените резултати могат да помогнат при подбора на участници за последващи интервюта. Качествените резултати могат да подпомогнат разработването на анкетен инструмент. Количествени и качествени доказателства могат също да бъдат събирани едновременно и след това сравнени.
Книгата разглежда последователни, конвергентни и вградени дизайни със смесени методи и обяснява стратегии като сливане, свързване и вграждане на доказателства.
Това дава на преподавателите един полезен въпрос, който могат да задават на докторанти, предлагащи смесени методи:
Какво ще научите чрез комбинирането на тези методи, което не бихте могли да научите чрез използването само на единия от тях?
Ако студентът не може да отговори, изследователският дизайн се нуждае от допълнителна работа.
Повече дигитални данни не означават автоматично по-добро изследване
Друг съществен принос на книгата е свързан с дигиталните данни.
Дигиталните платформи предоставят огромни количества данни за поведението. Изследователите могат да анализират публикации в социални медии, онлайн взаимодействия, транзакции, комуникационни мрежи, активност в системи за управление на обучението, данни от сензори и други форми на дигитални следи.
Този мащаб може да създаде впечатлението, че повече данни автоматично водят до по-добро изследване.
Книгата многократно напомня, че мащабът не премахва методологическите проблеми. Големите масиви от данни все още изискват внимателен анализ на извадката, измерването, валидността, поверителността, пристрастията и интерпретацията. Дигиталните следи показват наблюдаемо поведение в рамките на определена технологична среда. Те не разкриват непременно смисъла, който хората придават на собственото си поведение.
Комбиниране на Big Data с Thick Data
Именно затова обсъждането в книгата на комбинацията между „big data“ и „thick data“ е особено полезно.
Да разгледаме ангажираността на студентите в онлайн курс. Данните от системата за управление на обучението могат да покажат влизания в платформата, кликвания, време, прекарано с учебните ресурси, предаване на задания и модели на взаимодействие. Тези показатели могат да покажат различия между студентите.
Те обаче не могат надеждно да обяснят мотивацията.
Студент, който рядко влиза в системата, може да е неангажиран. Но може и да изтегля материалите и да учи офлайн. Друг студент може да генерира много кликвания, без да научава много.
Интервюта, дневници, наблюдения или отговори на отворени въпроси могат да помогнат за интерпретирането на тези модели. Количествените доказателства показват структурата на поведението. Качествените доказателства помагат да разберем неговото значение.
AI разширява изследователските възможности, но човешката преценка остава централна
Развитието на AI прави тази методологическа комбинация още по-важна.
Книгата разглежда изчислителни инструменти, машинно обучение, автоматизиран текстов анализ, софтуер за качествен анализ и нововъзникващи изследователски процеси, подпомагани от AI. Позицията на авторите е ясна: софтуерът може да помага на изследователите при обработката на доказателства, но интерпретацията остава човешка отговорност.
Тази идея заслужава специално внимание в обучението на магистри и докторанти.
AI може да подпомага транскрипция, кодиране, класификация, анализ на литература, статистическо програмиране, текстов анализ и визуализация на данни. Използването на AI обаче поставя нови методологически въпроси.
Изследователите трябва да знаят коя система е използвана, какви промптове са приложени, какви данни са предоставени на системата, как са проверени резултатите, дали системата е внесла грешки и дали друг изследовател би могъл да възпроизведе работния процес.
Изследователската прозрачност все повече включва и прозрачност относно взаимодействието между човека и AI.
Самата книга предоставя интересен пример. Авторите посочват, че ChatGPT е участвал в редактирането и хармонизирането на терминологията и преходите между различните части на текста, докато авторите са преглеждали полученото съдържание. Това прави книгата полезна и отвъд чисто методологическото ѝ съдържание. Тя се превръща в пример за начина, по който учените започват да интегрират генеративен AI в академичната работа, като запазват човешкия контрол.
Смесените методи не са автоматично по-добри
Книгата трябва да се чете критично.
Силната подкрепа на авторите за методологически плурализъм понякога може да създаде впечатлението, че смесените методи представляват по-висша или по-напреднала форма на изследване. Магистрите и докторантите не трябва да възприемат подобна интерпретация. Повече методи не означават автоматично по-добри доказателства.
Един добре проектиран количествен експеримент може напълно да отговори на даден изследователски въпрос. Феноменологично изследване може да не се нуждае от количествен компонент. Добавянето на методи увеличава времето, сложността, изискванията към управлението на данните, аналитичните изисквания и възможностите за несъответствия.
Следователно подходящият принцип е:
Не използвайте повече методи. Използвайте методите, които изследователският въпрос изисква.
Защо преподавателите трябва да прочетат книгата
Много преподаватели са получили основната си подготовка предимно в рамките на една методологическа традиция. Изследовател с количествена ориентация може да има значителен опит с регресионен анализ, експерименти или моделиране със структурни уравнения, но ограничен опит с етнография или тематичен анализ. Качествен изследовател може да има задълбочена експертиза в интервюта и интерпретативен анализ, но по-малко опит с изчислителни социални науки или данни от дигитални следи.
Съвременната изследователска среда все повече изисква изследователите да разбират логиката на методи извън собствената си основна специализация.
Това не означава, че всеки трябва да бъде експерт във всичко.
По-реалистичната цел е методологическа грамотност. Изследователите трябва да разбират различните подходи и техните предимства, да разпознават ограниченията им, да могат да работят с методологически специалисти и да вземат информирани решения относно изследователския дизайн.
За преподавателите книгата предлага структуриран начин да актуализират разбирането си за съвременната методология, без да изоставят фундаменталните принципи на изследователския дизайн, валидността, научната строгост, етиката и интерпретацията.
Защо магистри и докторанти трябва да използват книгата
За магистри и докторанти книгата може да изпълнява още по-широка функция.
Тя може да помогне методологическото обучение да се отдалечи от изучаването на изолирани техники и да се насочи към умението да се проектират изследвания.
Студентите могат да използват книгата, за да мислят през последователност като:
Изследователски въпрос → необходим тип доказателства → източник на данни → изследователски дизайн → аналитичен метод → интеграция → интерпретация → изводи
Тази последователност е по-важна от научаването на набор от команди в даден софтуер.
Студент, който знае как да направи регресионен анализ в R, все пак трябва да разбира дали регресията е подходяща за конкретния изследователски въпрос. Студент, който знае как се провеждат интервюта, все пак трябва да обоснове извадката, да осигури достоверност на анализа, да документира аналитичните решения и да обясни как интерпретациите са извлечени от данните.
Дигиталните инструменти и AI правят тези методологически решения по-важни, а не по-малко важни.
Полезна връзка между традиционните и дигиталните изследвания
За преподавателите книгата предлага полезна връзка между утвърдената методология и новите практики в дигиталните изследвания. За магистри и докторанти тя предоставя рамка, чрез която количествените, качествените и смесените методи могат да бъдат разбрани като части от общ методологически инструментариум, а не като изолирани изследователски традиции.
Най-важният ѝ урок е и най-простият:
Доброто дигитално изследване в социалните науки не започва с набор от данни, статистически софтуер, AI модел или предпочитана методология. То започва с изследователския проблем.
Всичко останало трябва да следва от този избор.