线上Q排序操作便利，不受时间和空间限制，且Q陈述可以随时调整；数据可以直接导出用于统计分析。但是Q方法的倡导者仍然是推荐线下Q排序，因为研究者可以与研究对象面对面互动，深入了解其填答过程，解决可能出现的各种突发事件。线上Q排序有一些弊端。首先，有些线上Q排序软件不便于研究对象同时看到所有Q陈述，难以对不同Q陈述进行相互比较和评估。其次，有些研究对象不熟悉计算机操作或者不愿意学习线上操作方法，导致填答困难或者应付，导致数据质量下降。最后，由于研究者不在场，无法确保研究对象认真按照程序进行Q排序，难以把握研究对象的填答进度，因而难以保证数据质量。

Q排序后进行访谈主要旨在请研究对象详细阐述观点，获得他们对Q排序的完整、丰富、详细的理解。访谈应该关注以下三个方面。第一，请他们回顾或者解释为什么会如此进行Q排序，尤其是为什么将某些Q陈述放在Q排序表格的两端，即为什么如此同意或者不同意某个Q陈述。第二，要恰当地引导研究对象对那些他们比较看重的Q陈述发表自己的看法。第三，研究者要跳出研究中的Q样本，请研究对象就研究的话题、概念下定义或者进行解释，从而获得故事化或叙述性的数据，为后续的因子解读提供更丰富的信息和示例数据。

因子提取是一个复杂的过程，研究者要综合考虑各种因素来确定。具体说来包括以下指标。第一是研究所采用的相关理论框架，如果理论框架中包含3个要件，那么可以考虑提取3个因子。第二，如果没有明确的理论框架，那么可以依据每6条Q陈述提取一个因子的原则提取因子，但也要同时考虑因子分析的其它数据结果。第三，只有因子的特征值大于1，才可以作为一个有意义的因子。第四，如果因子解释的方差在35%及以上也可以作为一个因子。此外，研究者还需要考虑以下统计指标：同一因子中最少有两个Q排序，且它们的因子载荷在0.01水平上显著；同一因子中两个最高的因子载荷的乘积的绝对值还要超过标准误的2倍。以上两个条件的计算公式详见本书第68页。

Q方法的结果解读具有一定主观性，但并非完全主观的。研究者要综合考虑各种信息来解读结果，尽量保证研究的客观性。一般说来，研究者在解读结果时要关注以下四类重要信息。第一类信息是特征陈述。研究对象对这些陈述的同意或不同意程度反映了这个因子所包含的研究对象的观点组合。第二类信息是因子之间的差异降序排列。这些排列显示了每条Q陈述在每对因子载荷的Z值之间的差异，并以降序形式显示出来。这个信息能够显示因子之间的差异性，帮助研究者深入观察因子特征。第三类信息是区别性陈述。它是指那些能够把一个因子的观点显著区别于其他因子的Q陈述。这些信息非常重要，在进行总体性分析时便于解读因子特征。第四类信息是共识性陈述。它是指那些在任意两个因子之间Z值差均达到显著水平的Q陈述。通过上述四类信息，研究者可以整体解读Q排序结果，最大限度地避免主观性和随意性。

PQMethod在数据分析通常采用0.01作为显著水平。并根据这个设定的水平，计算达到显著水平的阈值，研究者需要根据自己研究中的Q陈述个数按照公式提前计算出阈值，2.58 ×（1+√no. Of items in Q set）（2.58是正态分布下0.01显著性水平对应的Z值），详见本书第68页。本书共有47条Q陈述，按照这个公式计算，0.01显著水平的阈限值就是0.38。在实际操作中，不能只看未旋转的因子矩阵，因为未旋转因子矩阵只是初步提取的结果，往往没有清晰的因子结构；需要在旋转之后再判断每个Q排序在某个因子的载荷是否显著，并在因子矩阵中进行标注。 建议读者把这个问题简单化。按照公式简化为2.58除以Q排序数量的开方。用这个公式计算出的阈值表明采用0.01作为显著水平。所以不是说要在软件什么地方设定0.01，阈值就是按照0.01计算的。换言之，如果采用0.05作为显著水平来计算，公式是1.96除以Q排序数量的开方。最后得到的载荷值，可以根据显著性再标记。

构建观点汇集时的访谈旨在收集具有特色的Q陈述，让Q陈述尽量全面、典型、有差异性。Q排序后的访谈旨在考察填答者进行Q排序的原因，比如为何把某个Q陈述放在某个位置上（例如，放在+5，或者-3，或者0）。它的目的是为Q排序结果解读收集更为细致的信息。

Q方法兼具量化和质性的特点。它的数据分析部分是偏量化的，但是它的结果解读和汇报又偏质性。不过，因为结果解读是在量化数据分析之后进行的，据我看到的使用Q方法的学术论文汇报时，还是偏质性研究方式多一些，因为研究者会汇报对结果的解读，并且引用Q陈述的内容构成解读的语境。其实，就应用语言学学科而言，质性和量化研究论文的格式基本一致，都遵循IMRDC格式。我们按照这个格式行文即可。

Q方法最适合用来考察参与者的态度，不适合考察行为。所以书上说它不适合用来收集行为投入信息。在具体研究中，研究者需要根据研究问题的性质来判断是否可以采用Q方法。如果研究的内容是态度的结构，那么可以考虑使用Q方法；如果研究的内容是行为，那么就不适合采用Q方法。如果研究中既要考察态度结构，又要考察行为，那么可以在态度结构部分使用Q方法，行为部分使用其他适当的方法。

Q方法适合考察态度的结构，但不适合研究行为。学习投入（engagement）本身更倾向是行为范畴，尤其其中的行为维度，应该以客观数据作为判断行为投入的依据。但是目前很多研究采用量表来测量学习投入的各个维度，这种方法实际上是依赖学习者自述或自认为的学习投入，而非客观发生的学习投入。使用Q方法的话，其意义就值得商榷，因为Q方法更多用于探究态度而非行为。换言之，研究设计阶段，要对所研究的变量的概念化和操作化进行仔细考虑。

这是Q方法的独到之处，也是它的根本要求。因为Q方法要对填答者的主观性结构，即态度结构进行客观化分析，因为必须进行量化，而且要使量化结果可以比较。因此，Q分类量表都是正态分布的。这样就可以把每位填答者的数据在同一个标尺上进行处理了。这也正是其分析结果可以提供Z分数的基础。有了Z分数，研究者就可以进行因子间的比较了。 最初也有这个困惑，如果有很多Q陈述我都同意或不同意，但是填写Q分类量表时，只有两条Q陈述可以填在最同意或最不同意上，那么其他Q陈述该如何处理？但是Q分类量表之所以设计成正态分布，就是要迫使填答者再次仔细思考，在这么多同意的Q陈述中，哪些最为同意？通过所谓的“限制”，让填答者清晰地表达态度，这个“限制”是不得已的，或者说是Q方法本身特性所带来的操作方法。 当然，这种方式也不排除有限制填答者的“嫌疑”。但是，在Q排序之后，我们还会使用访谈作为补充，让填答者阐释当时为什么这样排序，进一步阐述所谓的被限制的想法。因此，综合来看，这在一定程度上既保证了态度结构的量化，又保证能够最大限度地让填答者说出自己的想法。

建议读者进一步了解分析过程，一般汇报旋转后的因子解释方差，如果采用质心提取法，PQMethod程序默认提取7个因子，如果读者尝试对这7个因子进行旋转，旋转后只能显示因子解释的方差，而不会显示特征值，这是这个程序的一个bug。可以用Brown（1980：220）建议的公式手工计算特征值。 但是一般情况下，在论文里不用汇报特征值。

1）先确定显著载荷的初始标准，观察各Q排序的载荷情况；若发现有较多Q排序是混杂Q排序或不显著，需要被删除的，比如Watts & Stenner举的例子中共有50条Q排序，而4条不显著，11条混杂，因此需要删除15条，占总数的30%（15/50），所以要提高阈值。这个过程是逐步的，比如，其例子是从原来的±0.34，±0.35，±0.36一直到±0.40时，发现只有5条Q排序不显著，3条是混杂，删除这8条，有42条保留，即删除的占16%（8/50）。但如果继续提高到±0.41，不显著的Q排序数量增加，即要删除的Q排序数量就上升了。因此，其决定阈值设定在±0.40。通过这种方法，能使可用数据最大化而混杂Q排序最少化。 2）具体操作其实就是可以在因子载荷输出中仔细查看，也没必要每次都在程序上去重新标注。 We tend, therefore, to employ a strategy which minimises confounding and which duly maximises the number of significantly loading participants in a particular study. Let us suppose you have followed the instructions laid out in Note 8 above and have calculated that a significant loading in your study (at P < 0.01) must reach ±0.34 or above. You then find that (in using this significance level) 35 of 50 participant Q sorts load on a single factor, 4 have no significant loading and the remaining 11 are confounded. This means that 15 participant Q sorts (30% of the data) are not being used to construct the various factor exemplifying item configurations. In such circumstances, it may be sensible to consider raising the level at which a loading is said to be significant (which will only make your criterion more stringent from a statistical viewpoint). In the example, we might look again at the solution with a significance level of ±0.35 or above, then ±0.36 or above, and so on. At ±0.40 we find that 42 of the 50 participants load significantly on a single factor, five now have no significant loading and only three are confounded. In other words, only eight participant Q sorts (16% of the data) are not now being used. We also find that raising the level still further (to ±0.41 or above) only serves to increase the number of Q sorts with no significant loading and hence to reduce the overall numbers of participants with significant (and usable) loadings. At ±0.40, therefore, we have maximized the number of participants with significant loadings and have duly achieved our most satisfactory solution (Watts & Stenner 2005: 88). Watts, S. & Stenner, P. 2005. Doing Q methodological research: Theory, method and interpretation. Qualitative Research in Psychology 2: 67-91. doi: 10.1191/1478088705qp022oa.

这可以通过实例来理解。如本书第114页表5.7的备忘单中，从因子1的排名为+3，把这条归入“在因子1中排名高于在其他任何因子排名的项目”，是因为从本书第111页表5.6可知，第2条Q排序在因子1排名是+3，在因子2排名是-1，所以第2条Q排序在因子1的排名高于其在其他任何因子（这里只有因子2）的排名。 假设该研究析出了3个因子，第2条Q排序在因子3的排名是+1，那么第2条Q排序仍然可以归入“在因子1中排名高于在其他任何因子排名的项目”，因为这条Q排序在因子1的排名高于其在其他任何因子（这里包括因子2、因子3）的排名。相反，如果第2条Q排序在因子3的排名是+4，那么这条Q排序就不能归入“在因子1中排名高于在其他任何因子排名的项目”，因为其在因子3的排名（+4）高于其在因子1的排名（+3）。 同理，“低于在其他任何因子排名的项目”也是按照这样的逻辑来理解。

这个问题在第一阶段答疑时有读者提出，还是建议尽量避免仅依赖访谈来提炼Q汇，尤其在人文社科领域，理论指导和前人研究成果都很重要，应先进行大量文献检索，全面了解相关理论和前人研究成果。仅仅依赖访谈来提炼Q汇，可能会导致研究的覆盖面和科学性不足，题项不成立，影响研究的可信度和效度，从而对后续的结果讨论和论文撰写产生负面影响。 这可以从不同的角度来看。如果把访谈结果或访谈中的一些观点提炼出来，但不直接用于Q排序或Q方法中，而是把它变成一种理论假说。比如，通过质性研究发现了一些变量之间的关系，据此提出一种假说，这相当于是一种理论框架。在这个框架下进行论证，再提炼为具体Q陈述，而且要有足够的证据证明这种做法是可行的，比如，信度、效度需要有保障。但是，这一系列的操作需要花费大量的精力和时间，这样可能跳出了Q方法的常见步骤和范式，不确定这样的新做法能否被Q方法研究方面的学者接受，按照这种方式做的研究论文，也不确定审稿人能否接受，这可能存在比较大的风险。 但是，如果有足够的时间，以及勇于尝试的魄力，试一下也未尝不可。所以，这个问题的答案是开放的，大家也可以试试看有没有新的可能性。

这个需要对探索性因子分析有个基本的了解。在Q方法中，我们的目标不是对“题目”进行归类，而是对“人”（被试）进行归类，将每位被试的排序结当作一个变量，计算每两位被试之间的相关系数（皮尔逊相关系数），得到一个被试之间的相关矩阵。使用因子分析对相关矩阵进行分析，找出哪些被试在排序上相互高度相关，即他们的Q分类方式很相似。程序再将这些相关性高的被试聚集到同一个“因子”（factor）上。

两者需要结合，但研究者的解读起关键作用。Q方法的本质是结构化的主观性研究，程序提供的统计数据可以辅助研究者做判断，但研究者需要根据被试排序的表现、访谈的反馈、理论背景等进行综合进行解读。在统计上，不能算是“共识性陈述”，因为共识性陈述的定义是：各因子之间在该陈述上的排序差异不显著。如果软件没有将其列为共识性陈述，则仍然不是共识性陈述。但是可以在报告中提出研究者的解读，如，尽管这条语句在统计上不属于共识性陈述，但它在所有因子中都排得很靠前，显示其在整体样本中较为重要，因此可能具有潜在的共识性。但请这位读者复查这个问题里，是指某一条陈述（statement）出现在所有3个因子的区别性陈述还是特征陈述（definitive statements）。

特别感谢这位读者的提问，这也给我们提供了一个很好的反思。 在录制视频时，我的确想到了这一点，后来考虑到两因子与四因子的操作是重复的。为了与本书四因子的操作过程吻合，得出一致的结果，最终还是按照四因子的方式来进行旋转与标注，没有做两因子的旋转。但是读者也可以根据书上讲解的步骤，按照两因子的方式来提取及旋转。

这个问题问得非常好。 因子相关系数是要考量的一个重要因素。对于因子，建议最好不要太高度相关。本书第81页提到了相关系数，根据Watts & Stenner的建议，因子载荷达到0.38属于显著，那么提取的因子的相关系数如果大于0.38就会被认为较高。因子相关系数较高说明因子间区分度不是非常大，这值得警惕。但是也有研究者认为相关系数高有时不一定是坏事，这表明两个因子在很多问题上可能存在共识，那么可以着眼于分析因子之间的分歧点。本书第81页阐释了因子相关系数较高时一般采取的几种策略，详见4.6小节。

第一阶段答疑中也提到过，书上也有相应的论证和建议。首先，一般来说，P样本的数量要小于Q样本的数量，本书第31页有相应陈述，按照书上提到的P样本的选择原则，这个人数超过了20名（40/2=20）；但这只是一个参考原则。 其次，至于结果是否有效，我们需要看Q样本的质量，综合考量因子提取的方法，因子旋转的方法，特征陈述（区别性陈述和共同性陈述）等，最后再做结果解读，才能讨论结果是否有效。

目前我没有使用过KADE这款应用，都是使用PQMethod做Q方法研究。如果想用KADE进行Q方法的数据分析也可以。至于结果是否与PQMethod的结果有差异，总体上可能不会有太大差异，但是数值上可能有出入。因为每一个软件的底层运算逻辑过程可能不一样。

这个问题问得非常好。 因为定向动机流不是把动机作为静态来看待的，而是把动机视作动态发展的，所以它的理论视角是复杂动态系统理论，强调动机的非线性变化，以及考虑学习者目标设定、学习者与环境的多重互动、学习者深层动机的激发与发展的动态过程等。 现有的一些研究会使用混合方法，如结合回溯性访谈来了解学习者的动机发展。但是Q方法更多是对人群的看法、观点进行归类，所以严格意义上，它反映不了学习者的动机流。尽管我们在设计Q陈述时，可能包含一些让学习者回想自己动机的一些题项，但这个过程仍只是基于学习者的自述。如果要探索动机流的发展，Q方法可能不是非常合适。诚然，可以尝试使用Q方法加上纵向访谈或学习日志的方式来探究不同阶段中动机流的类型或情况，以了解学习者动机的动态变化。

这里提到的正反两个题项，可能指Q陈述中内容截然相反的题项。 建议还是拆开来放，或在摆放Q陈述时采用随机化方法。采用随机排列可以避免人为排序带来的误差。如果是人为排序，也尽量要避免将两个观点截然相反的题项前后摆放在一起。 理论上讲问题的字数没有限制，但是从操作实践的角度看，最好参考问卷题项的设计思路，避免出现多维度的表达、模糊的表达、泛泛而谈的表达。字数也可以参考问卷题项的字数标准，建议别超过太多，如果内容太多导致转行，填答者阅读时也不太方便。