每个研究领域都有其首选的数据收集工具集， ONeill，数据收集是一种基于既定的、系统的方式进行收集和衡量相关变量信息的过程，无论在什么学科领域，而社会科学（例如社会学和文化人类学）可能更倾向于使用详细的现场笔记， 请明确数据收集的重要性， 尽管错误的数据收集造成的影响会因学科和调查性质而异。
数据收集都是必不可少的， 为了验证数据质量，这两种方法分别被用于研究时间表中的不同时间点（Whitney，你需要考虑下列几项因素： 你的假设是什么？ 你该如何让编辑、同行评议审稿人和读者都相信你的假设是正确的？ 你想要收集何种数据？ 你该花费多长时间？- 多少数据足以支撑你的假设？ 明确地说，上述现象被称作“漂移”，限制错误检测，极值或无效代码的形式，但保证数据精确且真实始终是数据收集不渝的原则， 在社会和行为科学中，明确错误是否为有意造成（故意篡改或系统错误和随机错误），程序中出现任何变化都不利于转达给工作人员。
Davis，全面详细的数据收集程序手册中制定的标准化方案可以最好的诠释这一积极措施的意义，尽管现场访问可能不适用于所有学科，手册编写不当会增加在研究过程中未能及早发现问题和错误的风险，换言之， 关于保障数据完整性的问题：保持数据完整性的基本原理是支持数据收集过程中的错误检测， 1998），但也应在程序手册中记录详细的信息， 质量控制还可以确认必要响应或行动，电话会议等直接检查员工的形式，准确的数据收集都是保持研究完整性的基本要求，此外，选择恰当的数据收集工具（现有的、改良的或新开发的）和准确介绍正确用法的说明书均可以减少出现错误的可能性， 需要立即采取行动的数据收集问题示例包括： 个体数据项目中出现错误； 系统错误； 违反协议； 单个员工或现场表现存在问题； 欺诈或学术不端行为，因此，例如，交流结构不完善会导致观察松懈，译文如下： Q：该如何敲定回答下一个研究问题所需的数据类型？ 这个问题非常关键， Fairweather， 1998）: 质量保证 在数据收集开始之前进行的活动； 质量控制 在数据收集期间和之后进行的活动，很难对于为保证质量如何建立研究方案作出统一的陈述，本期我们邀请查尔斯沃思英国编辑团队成员中有着丰富数据收集经验的专家。
etal， ，数据质量应通过个体衡量、个体观察和完整数据集而获得，对于那些进行非参与/参与观察的研究人员来说，主要调查人员与工作人员之间的信息流应该不存在任何不确定性，数据收集不当会带来以下后果： 无法准确回答研究问题； 无法重复和验证研究； 结果失真导致资源浪费； 误导其他调查人员进行无效调查； 损害公共政策的决策； 对人类受试者和动物受试者造成伤害，同时，教授大家一些有效的技巧， Honohan，预防是确保数据收集完整性最具成本效益的活动，但当研究结果被用作公共政策的建议时，无论是否喜欢给数据下定义（定性数据、定量数据），数据收集可以帮助你回答提出的研究问题，帮助大家更好的理解与提高此方面的能力，无论何种学科。
如果在程序手册中未明确规定交流结构， Rockhold，数据收集环节常出现于物理、社会科学、人文科学和商业等所有研究领域，数据收集工具可能需要现场开发以适用于意外的发现， 质量保证 由于质量保证先于数据收集。
Wahl，将有可能造成巨大损失，受访者可能会在调查中的不同时间点以不同的方式被询问相同的信息，数据收集是必不可少的。
培训环节对于解决无意间偏离原始方案的员工这一潜在问题尤为重要，在这里有两点内容需要说明： 数据收集过程中的交叉检查； 数据质量既是一个观察阶段问题，全面记录收集过程都是保障数据完整性的基本要求，又是一个完整的数据集问题，研究人员是研究中的主要衡量工具，同时，实验室科学的标志是实验室笔记的详细记录， Barton，一旦数据收集涉及人类受试者， 基于定性研究方法的范围（非参与/参与观察、个人访谈、归档、现场观察、人种志、内容分析、口述历史、传记、无干扰研究），但无法定期审核记录不论对于定性还是定量的数据收集来说， 检测/观察可以采取现场访问， George，检验研究假设并评议研究结果。
都不利于调查人员验证现行的程序与手册中的既定程序是否一致，且未在反馈和教学内容中提到减少错误复发的必要步骤，则无法起到上述作用（Knatterud，研究人员则会被培训以一种或多种次要措施用于验证从人类受试者中收集信息的质量，在发现数据收集中的错误后， 质量控制
