Gregory Hadley

Grounded Theory (GT), as developed by Anselm Strauss and Barney Glaser in the mid-20th century, originated in a research tradition that refused rigid boundaries between qualitative and quantitative methods. This paper argues that Grounded Theory is not only compatible with mixed methods research, but was, in fact, originally conceived as a mixed methods approach. From its roots in the methodologically pluralistic University of Chicago, GT integrated observational, narrative, and statistical data in a recursive methodological loop. Central to this approach is Strauss’s unique treatment of numbers – not as neutral facts, but as representations of social meaning. Using examples from early seminal studies (1950 – 1965), this paper shows how Strauss converted narratives into statistical patterns, then returned to interpret those numbers through rich contextual analysis. The resulting loop enabled the simultaneous exploration of what, where, why, and how social phenomena occur. The paper concludes by linking these classic GT practices with contemporary challenges: digital data integration, hybrid models, and transdisciplinary design. In an era shaped by AI, NLP, and participatory science, GT offers a robust and meaning-centred model for integrated knowledge production that bridges traditional empirical work with emerging digital methodologies.

نظریهٔ داده‌بنیاد (Grounded Theory) که توسط Anselm Strauss و Barney Glaser در اواسط قرن بیستم توسعه یافت، ریشه در سنت پژوهشی‌ای دارد که مرزهای سخت میان روش‌های کیفی و کمی را نمی‌پذیرفت. این مقاله استدلال می‌کند که نظریهٔ داده‌بنیاد نه‌تنها با پژوهش‌های روش ترکیبی سازگار است، بلکه در واقع، در ابتدا به‌عنوان رویکردی با روش ترکیبی طراحی شده بود. نظریهٔ داده‌بنیاد که از دانشگاه شیکاگو با رویکرد روش‌شناختی کثرت‌گرا نشأت گرفت، داده‌های مشاهده‌ای، روایتی و آماری را در یک چرخهٔ روش‌شناختی بازگشتی ادغام کرد. در مرکز این رویکرد، برخورد منحصربه‌فرد Strauss با اعداد قرار دارد – نه به‌عنوان واقعیت‌های خنثی، بلکه به‌عنوان بازنمایی‌های معنای اجتماعی. با استفاده از نمونه‌هایی از مطالعات برجستهٔ اولیه (۱۹۵۰–۱۹۶۵)، این مقاله نشان می‌دهد که چگونه Strauss روایت‌ها را به الگوهای آماری تبدیل کرده و سپس برای تفسیر آن اعداد به تحلیل زمینه‌ای غنی بازمی‌گردد. این چرخهٔ حاصل، امکان بررسی همزمان چیستی، کجایی، چرایی و چگونگی وقوع پدیده‌های اجتماعی را فراهم می‌کند. مقاله با پیوند دادن این شیوه‌های کلاسیک نظریهٔ داده‌بنیاد با چالش‌های معاصر، از جمله ادغام داده‌های دیجیتال، مدل‌های ترکیبی و طراحی فرارشته‌ای، نتیجه‌گیری می‌کند. در عصری که توسط هوش مصنوعی، پردازش زبان طبیعی و علم مشارکتی شکل گرفته است، نظریهٔ داده‌بنیاد الگویی استوار و معنا‌محور برای تولید دانش یکپارچه ارائه می‌دهد که کار تجربی سنتی را با روش‌شناسی‌های نوین دیجیتال پیوند می‌زند.