Δευτερογενή δεδομένα και ανάλυση εγγράφων στην ακαδημαϊκή έρευνα — χρήση υπαρχόντων δεδομένων και τεκμηρίων ως αποδεικτικού υλικού

Έχεις το θέμα, αλλά δεν υπάρχει χρόνος ή πρόσβαση για πρωτογενή συλλογή. Ψάχνεις επίσημα στατιστικά, αναφορές υπουργείων, εκθέσεις εταιρειών ή απομαγνητοφωνήσεις που “είναι ήδη εκεί”, όμως δεν ξέρεις πώς θα σταθούν μεθοδολογικά και πώς θα τα μετατρέψεις σε απαντήσεις αντί για απλή παράθεση. Και ενώ ο/η επιβλέπων λέει “μπορείς να στηριχθείς σε δευτερογενή δεδομένα”, εσύ φοβάσαι μήπως σε κατηγορήσουν για επιφανειακή εργασία.

Η ανάλυση δευτερογενών δεδομένων και η ανάλυση εγγράφων σού επιτρέπουν να απαντήσεις τεκμηριωμένα ένα εστιασμένο ερευνητικό ερώτημα χρησιμοποιώντας υπάρχοντα σύνολα δεδομένων και τεκμήρια. Κρίσιμα σημεία: καθαρά κριτήρια επιλογής πηγών, αναπαραγώγιμα βήματα (καθαρισμός/κωδικοποίηση/ανάλυση) και ρητή συζήτηση εγκυρότητας–περιορισμών. Με αυτά, η δουλειά σου γίνεται συνεπής, ελέγξιμη και αξιολογήσιμη.

In this guide

• Τι σημαίνει «ανάλυση δευτερογενών δεδομένων» και τι περιλαμβάνει;
• Πότε έχει νόημα η χρήση δευτερογενών δεδομένων για εργασία εξαμήνου ή διπλωματική;
• Ποια είναι η ανάλυση εγγράφων ως μέθοδος έρευνας και πότε ταιριάζει;
• Ποιες πηγές δευτερογενών δεδομένων είναι ρεαλιστικές για προπτυχιακούς και μεταπτυχιακούς;
• Πώς γίνεται η ανάλυση υπαρχόντων δεδομένων βήμα-βήμα;
• Πώς τεκμηριώνω τη δευτερογενής έρευνα στη μεθοδολογία μου;
• Πώς αξιολογώ εγκυρότητα και αξιοπιστία όταν αναλύω έγγραφα;
• Ποια εργαλεία βοηθούν χωρίς μεγάλο κόστος;
• Τι παραδοτέα περιμένει ο επιβλέπων από μελέτη με δευτερογενή δεδομένα;
• Ποια λάθη κάνουν συχνά οι φοιτητές στην ανάλυση δευτερογενών δεδομένων και εγγράφων;
• Παραδείγματα ανά κλάδο: κοινωνικές επιστήμες, υγεία, διοίκηση/εκπαίδευση
• Before you move on: checklist για ανάλυση δευτερογενών δεδομένων

Τι σημαίνει «ανάλυση δευτερογενών δεδομένων» και τι περιλαμβάνει;

Η ανάλυση δευτερογενών δεδομένων είναι η αξιοποίηση ήδη συλλεγμένων δεδομένων (στατιστικών, ερευνών, αρχείων) για να απαντήσεις νέο ερευνητικό ερώτημα. Περιλαμβάνει εντοπισμό κατάλληλων πηγών, αξιολόγηση ποιότητας, καθαρισμό/μετασχηματισμό και εφαρμογή αναλυτικών τεχνικών. Μπορεί να είναι ποσοτική, ποιοτική ή μικτή, αρκεί να τεκμηριώσεις σαφώς προέλευση και βήματα.

Ορισμοί βασικών όρων

• Δευτερογενής έρευνα: σχεδιασμός που βασίζεται σε ήδη υπάρχοντα δεδομένα/τεκμήρια αντί για πρωτογενή συλλογή.
• Ανάλυση υπαρχόντων δεδομένων: πρακτική επεξεργασίας ενός έτοιμου dataset (π.χ. Eurostat, ΕΛΣΤΑΤ).
• Ανάλυση εγγράφων ως μέθοδος έρευνας: συστηματική εξέταση τεκμηρίων (νόμοι, πολιτικές, αναφορές, άρθρα τύπου) με ρητούς κανόνες κωδικοποίησης.

Πλεονεκτήματα και περιορισμοί

• Πλεονεκτήματα: ρεαλισμός χρόνου, πρόσβαση σε μεγάλα δείγματα, συγκρισιμότητα, χαμηλό κόστος.
• Περιορισμοί: έλλειψη ελέγχου στη συλλογή, πιθανές ασυμβατότητες ορισμών, απώλειες πληροφορίας, άδειες/όροι χρήσης.

Πίνακας σύγκρισης με παραδείγματα

Πτυχή	Πρωτογενή δεδομένα	Δευτερογενή δεδομένα	Παράδειγμα σε εργασία
Έλεγχος μεταβλητών	Υψηλός (σχεδιάζεις εσύ)	Χαμηλός (δέχεσαι ορισμούς άλλων)	Χρησιμοποιείς δείκτη ανεργίας της ΕΛΣΤΑΤ όπως ορίζεται
Χρόνος	Μεγάλος (στρατολόγηση, πεδίο)	Μικρότερος (εντοπισμός/καθαρισμός)	Κατεβάζεις 10ετή χρονοσειρά από Eurostat
Βάθος ποιοτικών δεδομένων	Στοχευμένο σε συγκεκριμένους συμμετέχοντες	Ετερογενές, συχνά επίσημο/θεσμικό	Αναλύεις λευκές βίβλους Υπουργείου
Κίνδυνος μεροληψίας συλλογής	Ελέγχεται με πρωτόκολλο	Κληρονομείται από τον αρχικό φορέα	Επανελέγχεις sampling του αρχικού survey

Πότε έχει νόημα η χρήση δευτερογενών δεδομένων για εργασία εξαμήνου ή διπλωματική;

Έχει νόημα όταν θες σύγκριση διαχρονικά/διατοπικά, όταν το θέμα αφορά πολιτικές/θεσμικά κείμενα ή όταν οι πόροι σου είναι περιορισμένοι. Βολεύει επίσης όταν υπάρχει ανοικτή πρόσβαση σε αξιόπιστα datasets που ταιριάζουν ακριβώς στις μεταβλητές σου. Αν το ερώτημα απαιτεί εμπειρίες/στάσεις σε συγκεκριμένο context, ίσως χρειαστείς συμπληρωματικά πρωτογενή στοιχεία.

Κριτήριο ευθυγράμμισης με το ερώτημα

Ξεκίνα από το ερευνητικό ερώτημα και δες αν οι διαθέσιμοι ορισμοί/μεταβλητές αντιστοιχούν. Αν θες “εργασιακή ικανοποίηση νέων αποφοίτων”, βεβαιώσου ότι τα διαθέσιμα surveys έχουν κατάλληλες κλίμακες και ηλικιακά φίλτρα.

Κριτήριο πρόσβασης και νομικών όρων

Έλεγξε αν τα δεδομένα είναι ανοικτά, αν απαιτείται αίτηση ή αν υπάρχουν περιορισμοί (π.χ. μόνο επιτόπια πρόσβαση σε ασφαλή θύλακα). Για έγγραφα, βεβαιώσου ότι επιτρέπεται η αναπαραγωγή αποσπασμάτων (fair use/παραπομπές).

Δείκτης ποιότητας πηγών

Προτίμησε θεσμικές βάσεις (ΕΛΣΤΑΤ, Eurostat, OECD, WHO), repositories πανεπιστημίων, αναγνωρισμένα think tanks. Απόφυγε datasets χωρίς metadata (ποιος συνέλεξε, πότε, πώς).

Ποια είναι η ανάλυση εγγράφων ως μέθοδος έρευνας και πότε ταιριάζει;

Η ανάλυση εγγράφων ως μέθοδος έρευνας ταιριάζει όταν το φαινόμενο εκφράζεται μέσα από πολιτικές, κανονισμούς, αναφορές, δημοσιεύματα ή εταιρικές εκθέσεις. Χρειάζεται ρητό πρωτόκολλο δειγματοληψίας εγγράφων, ορισμό μονάδας ανάλυσης και αναπτυγμένο codebook. Μπορεί να είναι περιεχομενική, θεματική ή κριτική/λόγου, ανάλογα με το ερώτημα.

Τύποι τεκμηρίων και παραδείγματα

• Θεσμικά: νόμοι, υπουργικές αποφάσεις, κανονισμοί ΕΕ.
• Οργανωσιακά: ετήσιες εκθέσεις, sustainability reports, διαδικασίες ISO.
• Δημόσια σφαίρα: άρθρα τύπου, δελτία Τύπου, αναρτήσεις ιστοσελίδων φορέων.

Μονάδες ανάλυσης και κώδικες

• Μονάδα ανάλυσης: η στοιχειώδης μονάδα που κωδικοποιείς (π.χ. παράγραφος, άρθρο νόμου).
• Κώδικας: ετικέτα που αποδίδεις όταν εντοπίζεις μια έννοια/θέμα (π.χ. “υλοποίηση”, “παρακολούθηση”).
• Ομαδοποίησε κώδικες σε θέματα, φτιάξε σαφή ορισμό και κριτήρια συμπερίληψης/αποκλεισμού.

Ασυμβατότητες και πώς τις χειρίζεσαι

Αν δύο έγγραφα χρησιμοποιούν διαφορετικούς ορισμούς (π.χ. “ψηφιακός μετασχηματισμός”), τεκμηρίωσε τις διαφορές και κωδικοποίησε με συνέπεια. Κράτησε αρχείο αποφάσεων (audit trail).

Ποιες πηγές δευτερογενών δεδομένων είναι ρεαλιστικές για προπτυχιακούς και μεταπτυχιακούς;

Ρεαλιστικές πηγές είναι ανοικτές βάσεις και θεσμικά αρχεία με καλή τεκμηρίωση. Για την Ελλάδα: ΕΛΣΤΑΤ, data.gov.gr, Διαύγεια, ΓΓ Διαχείρισης Αποβλήτων, Τράπεζα της Ελλάδος. Διεθνώς: Eurostat, OECD, WHO, World Bank, ICPSR, UNESCO.

Ανοικτά δεδομένα και μεταδεδομένα

Αναζήτησε datasets με πλήρη metadata (ορισμοί, πεδίο, μέθοδος συλλογής). Χωρίς αυτά, η “χρήση δευτερογενών δεδομένων” γίνεται αδύναμη στην τεκμηρίωση.

Εταιρικά/εμπορικά και “γκρίζα” βιβλιογραφία

Εκθέσεις συμβουλευτικών, κλαδικές μελέτες, λευκές βίβλοι έχουν αξία αλλά απαιτούν αυξημένη προσοχή σε μεροληψίες. Διασταύρωσέ τες με θεσμικές πηγές.

Νομική/ηθική συμμόρφωση

Τήρησε όρους αδειών (CC BY κ.λπ.), δήλωσε ευαίσθητα δεδομένα ως μη διαθέσιμα εάν είναι ανωνυμοποιημένα ανεπαρκώς, και φρόντισε αναφορές σε έγγραφα να έχουν πλήρη βιβλιογραφικά στοιχεία.

Πώς γίνεται η ανάλυση υπαρχόντων δεδομένων βήμα-βήμα;

Ξεκίνα από σαφές ερώτημα, ορίζεις κριτήρια επιλογής πηγών, καθαρίζεις/μετασχηματίζεις δεδομένα και εφαρμόζεις κατάλληλες τεχνικές ανάλυσης. Κατέγραψε κάθε απόφαση ώστε να είναι αναπαραγώγιμη. Κλείσε με ερμηνεία που επιστρέφει ρητά στο ερώτημά σου.

8 στάδια που λειτουργούν στην πράξη

1. Καθόρισε ερευνητικό ερώτημα και υπο-ερωτήματα.
2. Όρισε συμπερίληψη/αποκλεισμό πηγών (ημερομηνίες, γεωγραφία, τύπος τεκμηρίου/δεδομένων).
3. Εντόπισε και κατέγραψε πηγές με metadata (ποιος, πότε, πώς).
4. Καθάρισε/ενοποίησε (μορφότυποι, ελλείποντα, outliers).
5. Σχεδίασε ανάλυση: ποσοτική (περιγραφικά/παλινδρόμηση) ή ποιοτική (θεματική/περιεχομενική).
6. Εκτέλεσε ανάλυση και έλεγξε υποθέσεις/σταθερότητα κωδικών.
7. Παρουσίασε αποτελέσματα με καθαρά διαγράμματα/αποσπάσματα.
8. Συζήτησε περιορισμούς και επόμενα βήματα.

Προετοιμασία δεδομένων (ποσοτικά)

• Έλεγχος ελλειπόντων: μοτίβα απουσιών, τεκμηρίωση χειρισμού (διαγραφή, απλοί υπολογισμοί).
• Εναρμόνιση ορισμών: ίδια μονάδα μέτρησης, ίδιοι κωδικοί κατηγοριών.
• Τεκμηρίωση: κράτα script ή λεπτομερές log.

Κωδικοποίηση (ποιοτικά/έγγραφα)

• Φτιάξε codebook: ορισμός, κριτήρια, παραδείγματα ένταξης/αποκλεισμού.
• Πιλοτική κωδικοποίηση σε μικρό δείγμα, έλεγχος συνέπειας.
• Αναθεώρηση κωδίκων πριν τη μαζική εφαρμογή.

Παρουσίαση αποτελεσμάτων

• Ποσοτικά: μικρά, καθαρά διαγράμματα, λίγοι δείκτες που απαντούν στο ερώτημα.
• Ποιοτικά: επιλεγμένα αποσπάσματα ως τεκμήρια, πίνακες θεμάτων και σχέσεων.

Πώς τεκμηριώνω τη δευτερογενής έρευνα στη μεθοδολογία μου;

Δώσε σαφές design: πηγές, κριτήρια, βήματα καθαρισμού/κωδικοποίησης, τεχνικές ανάλυσης, έλεγχοι εγκυρότητας. Πρόσθεσε ροή εργασίας και σύνδεσε κάθε απόφαση με το ερευνητικό σου ερώτημα.

Δομή που βοηθά τον/την επιβλέποντα

• Σκοπός και ερώτημα.
• Πηγές (με πίνακα μεταδεδομένων).
• Κριτήρια συμπερίληψης/αποκλεισμού.
• Διαδικασία: καθαρισμός, ενοποίηση, κωδικοποίηση.
• Ανάλυση: μέθοδοι, λογισμικό, παράμετροι.
• Έλεγχοι: αξιοπιστία κωδικοποίησης, ευρωστία αποτελεσμάτων.
• Περιορισμοί/ηθική.

Παράδειγμα “αδύναμο” vs “σαφές” απόσπασμα μεθοδολογίας

Αδύναμο: «Χρησιμοποιήσαμε διάφορα αρχεία και βγάλαμε κάποια συμπεράσματα.»
Βελτιωμένο: «Συλλέξαμε 42 έγγραφα (νόμοι, εγκύκλιοι, εκθέσεις 2016–2024) βάσει κριτηρίων Α–Γ. Κωδικοποιήσαμε σε 14 κώδικες (ορισμοί στο Παράρτημα Α). Η θεματική ανάλυση έγινε στο Taguette, με διπλή κωδικοποίηση στο 20% (συμφωνία 0,82).»

Σύγκριση πλαισίων (πριν/μετά αναθεώρηση)

Στοιχείο	Πριν	Μετά	Συγκεκριμένο παράδειγμα
Κριτήρια επιλογής	“Σχετικά έγγραφα”	Ημερομηνία, τύπος, θεματικά keywords	“Νόμοι/ΚΥΑ περί ψηφιακού μετασχηματισμού 2016–2024”
Codebook	5 ασαφείς κώδικες	14 με ορισμούς/παραδείγματα	“Εφαρμογή = ρητή περιγραφή δράσεων”
Αναπαραγωγιμότητα	Όχι σαφής	Script/Παράρτημα	Σύνδεσμος σε repository/παράρτημα

Πώς αξιολογώ εγκυρότητα και αξιοπιστία όταν αναλύω έγγραφα;

Χρησιμοποίησε κριτήρια προέλευσης (ποιος/πότε/γιατί), διασταύρωση πηγών και συνεπή κωδικοποίηση. Για ποιοτικά, έλεγξε συμφωνία κωδικοποιητών ή σταθερότητα μετά από επανακωδικοποίηση. Για ποσοτικά, δοκίμασε εναλλακτικούς ορισμούς/μετασχηματισμούς και σύγκρινε.

Κριτήρια πηγής

• Αρμοδιότητα και σκοπός έκδοσης.
• Διαφάνεια μεθοδολογίας.
• Επικαιρότητα και κάλυψη.

Τεχνικές αξιοπιστίας

• Διπλή κωδικοποίηση σε υποσύνολο.
• Μέτρα συμφωνίας (π.χ. απλή συμφωνία, Cohen’s κ si κ.).
• Διασταύρωση με ανεξάρτητες πηγές.

Διαφάνεια περιορισμών

Δήλωσε τι δεν καλύπτεις (π.χ. μη διαθέσιμα έτη, αλλαγές ορισμών). Αυτό ενισχύει αξιολόγηση και επιτρέπει σε άλλον/άλλη να επαναλάβει.

Ποια εργαλεία βοηθούν χωρίς μεγάλο κόστος;

Χρησιμοποίησε εργαλεία που ήδη έχεις ή είναι ανοικτά. Για ποσοτικά: Excel/Google Sheets για βασικά, Jamovi/JASP για στατιστικά χωρίς κώδικα, R/Python αν έχεις χρόνο. Για ποιοτικά/έγγραφα: Taguette (ανοικτό), QDA Miner Lite, CATMA. Διαχείριση βιβλιογραφίας: Zotero.

Εργαλεία για διαγράμματα

• Datawrapper, Flourish για καθαρά διαγράμματα.
• Tableau Public για αλληλεπιδραστικά (δημόσια δημοσίευση).
• Προσοχή σε κανόνες ανωνυμοποίησης.

Οργάνωση και τεκμηρίωση

• Φάκελοι ανά πηγή, σαφή ονόματα αρχείων.
• Readme με βήματα καθαρισμού/κωδικοποίησης.
• Έλεγχοι έκδοσης (π.χ. ημερομηνίες στα filenames).

Τι παραδοτέα περιμένει ο επιβλέπων από μελέτη με δευτερογενή δεδομένα;

Περιμένει να δει πειθαρχημένη τεκμηρίωση και συνάφεια με το ερώτημα. Ζήτησε του/της επιβλέποντα να επιβεβαιώσει μορφή, αλλά τυπικά ωφελούν: πίνακας πηγών/metadata, codebook, log καθαρισμού/ανάλυσης, ευανάγνωστα αποτελέσματα, και παράρτημα αναπαραγωγιμότητας.

Ενδεικτική λίστα παραδοτέων

• Πίνακας πηγών με μεταδεδομένα και άδειες.
• Πρωτόκολλο επιλογής (inclusion/exclusion).
• Codebook με ορισμούς/παραδείγματα.
• Σύντομα scripts ή λεπτομερές log.
• Πίνακες/διαγράμματα με σαφείς λεζάντες.
• Ενότητα περιορισμών και συνέπειας.

Δείγμα πίνακα πηγών (περιγραφή)

Πηγή, Έτος/έτη, Γεωγραφία, Τύπος (dataset/νόμος/έκθεση), Άδεια, URL/Αρ. πρωτοκόλλου, Σημειώσεις ορισμών.

Ποια λάθη κάνουν συχνά οι φοιτητές στην ανάλυση δευτερογενών δεδομένων και εγγράφων;

Οι συχνότερες αστοχίες αφορούν θολά κριτήρια επιλογής, ασυνέπειες κωδικοποίησης και παρουσίαση χωρίς επιστροφή στο ερώτημα. Επίσης, σύγχυση μεταξύ περίληψης και ανάλυσης.

Συγκεκριμένα λάθη και διορθώσεις

1. Ασαφή κριτήρια επιλογής

   • Παράδειγμα: «Συμπεριλάβαμε έγγραφα σχετικά με την εκπαίδευση.»
   • Διόρθωση: Ορίστε έτη, τύπους, keywords και φορείς: «Νόμοι/εγκύκλιοι για ψηφιακά εργαλεία διδασκαλίας 2019–2024, ΥΠΑΙΘ/ΙΕΠ.»

2. Κώδικες χωρίς ορισμούς

   • Παράδειγμα: Κώδικας “υποστήριξη” χωρίς κριτήρια.
   • Διόρθωση: «Υποστήριξη: ρητές παροχές πόρων/εκπαίδευσης με μετρήσιμα στοιχεία (προϋπολογισμός, ώρες).»

3. Ανάλυση = περίληψη

   • Παράδειγμα: «Ο νόμος Χ λέει…» σε πολλές παραγράφους.
   • Διόρθωση: Σύνθεση ανά θέμα, με σύγκριση και συνέπειες για το ερώτημα.

4. Αγνόηση αλλαγών ορισμών

   • Παράδειγμα: Συνένωση δεικτών ανεργίας χωρίς έλεγχο αναθεωρήσεων.
   • Διόρθωση: Έλεγχος metadata, ευαισθησία με παλιό/νέο ορισμό.

5. Υπερφόρτωση διαγραμμάτων

   • Παράδειγμα: 12 γραφήματα που λένε το ίδιο.
   • Διόρθωση: 2–3 καίρια διαγράμματα που απαντούν άμεσα στο ερώτημα.

Παραδείγματα ανά κλάδο: κοινωνικές επιστήμες, υγεία, διοίκηση/εκπαίδευση

Η εφαρμογή διαφέρει ανά κλάδο, αλλά οι δομικές αρχές μένουν ίδιες: καθαρά ερωτήματα, κατάλληλες πηγές, συνεπής ανάλυση.

Κοινωνικές επιστήμες/ψυχολογία

• Θέμα: Επίδραση τηλεργασίας στην εργασιακή ικανοποίηση 2019–2023.
• Δεδομένα: Ευρωπαϊκά survey (EU-LFS modules), εταιρικές πολιτικές τηλεργασίας.
• Ανάλυση: Ανάλυση υπαρχόντων δεδομένων με έλεγχο ομάδων ηλικίας, θεματική κωδικοποίηση εταιρικών οδηγιών.
• Σύνδεση: Δες Από ευρύ θέμα σε εστιασμένο ερευνητικό ερώτημα για σύσφιξη του ερωτήματος και Σχέση ανεξάρτητης και εξαρτημένης μεταβλητής για ακριβείς ορισμούς.

Επιστήμες υγείας/νοσηλευτική

• Θέμα: Συμμόρφωση στη φαρμακευτική αγωγή σε ασθενείς με χρόνια νόσο στην ΠΦΥ.
• Δεδομένα: WHO/ΟΟΣΑ δείκτες, ΕΟΠΥΥ αναφορές (όπου διαθέσιμες), κατευθυντήριες οδηγίες.
• Ανάλυση: Περιγραφικά μέτρα και τάσεις, ανάλυση εγγράφων για εμπόδια/διευκολυντές.
• Έμφαση: Συμφωνία ορισμών και περιορισμοί πρόσβασης.

Διοίκηση/εκπαίδευση

• Θέμα: Υιοθέτηση ψηφιακών εργαλείων στα ελληνικά σχολεία.
• Δεδομένα: ΥΠΑΙΘ/ΙΕΠ έγγραφα, προκηρύξεις, Διαύγεια, PISA (ICT index).
• Ανάλυση: Θεματική κωδικοποίηση πολιτικών + σύγκριση με δείκτες PISA.
• Χρήσιμο: Σύμβολο διοχέτευσης για να κλείσεις το εύρος και Από τη θεωρία στο μοντέλο: σύνδεση θεωρητικού και εννοιολογικού πλαισίου για να δέσεις έννοιες–δείκτες.

Before you move on: checklist για ανάλυση δευτερογενών δεδομένων

• Έχω διατυπώσει σαφές ερευνητικό ερώτημα με ορισμένες έννοιες.
• Έχω τεκμηριωμένα κριτήρια συμπερίληψης/αποκλεισμού πηγών.
• Έχω πίνακα πηγών με πλήρη μεταδεδομένα και άδειες.
• Έχω σχέδιο καθαρισμού/ενοποίησης (και το τηρώ).
• Για έγγραφα, έχω ολοκληρωμένο codebook με ορισμούς/παραδείγματα.
• Έχω εκτελέσει πιλοτική ανάλυση για έλεγχο συνέπειας.
• Έχω καταγράψει αποφάσεις (audit trail/log).
• Παρουσιάζω αποτελέσματα που απαντούν άμεσα στο ερώτημα.
• Δηλώνω ρητά περιορισμούς και επιπτώσεις για ερμηνεία.
• Παραδίδω παράρτημα με υλικό αναπαραγωγιμότητας (όπου γίνεται).