Kvalitatiivsete andmete analüüs (ehk „mis pärast saab?“)

1. Kvalitatiivsete andmete analüüs (ehk „mis pärast saab?“)

2. Mis on „input“? - mitte-numbriline andmestik - mitte-kvantifitseeritud - Võib olla kogutud väga erinevate uurimisstrateegiate abil -> Analüüsiprotseduurid – võivad olla NII deduktiivsed kui induktiivsed - computeraidedqualitativedataanalysissoftware (CAQDAS)

3. Kvalitatiivsete andmete analüüsimise programmid (CAQDAS) …kasutusel psühholoogias, turu-uuringutes, etnograafias etc + - efektiivne vahend andmete haldamiseks/ korrastamiseks - andmeanalüüsi „rangus“ - rutiinse käsitsitöö vajadus kaob - säästab aega - haldab suuri (kval) andmehulki - suurendab paindlikkust - parandab kvalitatiivsete uurimuste valiidsust ja tõsiseltvõetavust - - analüüsiprotsesside suurenev jäikus/determineeritus - esiplaanil kodeerimine - andmestiku „esemestamine“ - süvenev rõhuasetus pigem uuringute suurusele/mahule kui sügavusele/tähendusele - aeg/ energia programmide kasutama õppimiseks - suurenev kommertsialiseerumine - juhib kõrvale sisulisest analüüsist3

4. Erinevused kvalitatiivse ja kvantitatiivse andmestiku vahel -> analüüsimeetodite erinevused • Kvantitatiivsed andmed: - Põhineb tähendustel, mis on saadud NUMBRITEST - Andmekogumise tulemuseks on numbriline ja standardiseeritud andmestik - Analüüsi tegemisel kasutatakse statistikuid, jooniseid jne. • Kvalitatiivsed andmed: - Põhineb tähendustel, mis on saadud SÕNADEST - Andmekogumise tulemuseks on standardiseerimata andmestik, mis nõuab kategoriseerimist - Analüüsi tegemisel kasutatakse kontseptualiseerimist

5. Andmete analüüsimiseks ettevalmistamine: transkribeerimine • Mitte-verbaalne informatsioon – pausid, naer, ohked, köhatused, hääletoon, rääkimise kiirus – mitte ainult see, mida, vaid ka kuidas inimesed asju ütlevad • Metsik ajakulu - 6-10 tundi ühe tunni transkribeerimiseks • Transkriptsiooni täpsus – andmefaili puhastaminevigadest • Salvestada iga intervjuu eraldi failina; faili nimi = identifitseerib/ säilitab anonüümsuse/ konfidentsiaalsuse. • Visuaal: erista tekstis küsija ja vastaja(d) visuaalselt – kergem spetsiifilist infot leida • Säilita transkriptsioonis küsimus – võimaldab aru saada, millest on jutt :P • Kui sa juba tead, kuidas sa analüüsida kavatsed, lähtu sellest – analüüsiprogrammides kaovad enamasti highlightid/ suurtähed/ boldid ära

6. Aga nüüd vaatasime seda lõiku ja sa nägid seda enne ka ja sa ütlesid, et ta võttis selle telefoni ära. Mis sa arvad, miks ta selle ära võttis? • V:Ta tahtis endale saada. • K:Vist küll. A siin oli üks teine tegelane veel. See mees. Kas tema ka midagi valesti tegi sinu arvates? • V:Jah, et ta ei hoiatand teda. • K:Aga mis sa arvad, miks ta ei hoiatanud? • V:Ei tea • K:Mis siin valesti tehti? • V:[ei saa aru] et siin nad võtsid selle koti ära ja viskasid ära, et ta ei saaks seda kätte. Too teine, kes seda pealt nägi, nemad ei hoiatand seda poissi. • K:Täpselt. Mis sa arvad, miks need kaks poissi seda väiksemat siis niimoodi kiusasid? • V:Et neile vist meeldis. • K:Aga miks see tädi, kes seal juures oli, miks ta appi ei läinud? Mis sa arvad? • V:Ta tegeles parajasti millegi muuga ja tal polnd tahtmist appi minna. • K:Jah, ma arvan, et sul on õigus. • Mis siin siis valesti tehti? • V:Et [ei sa aru] aga ta tegelt oskas seda ise ka teha. • K:A sa arvad, et oskas ise ka. A mis sa arvad, miks see tädi ei aidanud? • V: Ta ei tahtnud vist. • K:Vist jah. • Nonii, mis siin valesti tehti? • V:Et nagu üks nagu midagi ütles, mingi suvaline inimene, lihtsalt, mis kell on. Et ta küsis lihtsalt, mis kell on. Et nagu vabandada, seda ta ei ütlendki • K:Ahah. Mis sa arvad, miks ta ei tahtnud öelda? • V: Sellepärast et ta seal mõtles, et mingi suvaline inimene ja pole pole üldse lahke, et ta ei tahtnud talle ütelda.

7. Ülevaade kvalitatiivsest analüüsist • Analüütilised strateegiad vs interpreteeriv lähenemine Mittetäielik list kolmest dimensioonist, mille alusel eristada lähenemisi kvalitatiivsele andmekogumisele: Vähem struktureeritud Rohkem struktureeritud Interpreteeriv Protseduure järgiv Induktiivne Deduktiivne

8. Universaalsed protseduurid kvalitatiivses andmeanalüüsis Aitab sul: • mõista ja hallata oma andmestikku • integreerida sisuliselt seotud andmed, mis pärit eri kandjatelt-märkmetest-transkriptsioonidest • leida üles võtmeteemad või –mustrid, mis andmestikus on – et neid edasiselt uurida • arendada ja testida teooriaid, mis põhinevad nähtavatele mustritele/seostele • järeldusi teha ja neile tõestusi otsida

9. 1) Kategoriseerimine • Kategooriad: • võivad olla saadud andmetest endast või taustaks olevast teoreetilisest raamistikust • Peavad „sobima“ sellega, mida leidsid, s.t. andmetega • Koodid/ nimetused – loovad andmetesse esmase struktuuri • Uurimuse eesmärk defineerib sisukad kategooriad • Samad andmed võivad „alluda“ väga erinevatele interpretatsioonidele • Peavad olema sisukalt seotud andmetega • Peavad olema sisukalt seotud teiste kategooriatega

10. 2) Andmete ühikuteks jagamine - Analüüsiühik – (tekstilise) info tükk, mis omab iseseisvat sisu ja sobitub kategooriasse 3) Seoste kaardistamine ja kategooriate väljatöötamine/ülevaatamine • Võtmeteemade/ mustrite / seoste otsimine • Kategooriate uuenduskuur • (Hoida kategooria definitsioon pidevalt silma all)

11. 4) Hüpoteeside sõnastamine/ testimine • Seoste testimine muutujate vahel • Alternatiivsete seletuste / negatiivsete näidete otsimine • Potentsiaalsete sekkuvate muutujate arvessevõtmine

12. Täiendava konteksti puutuva info kogumine • Kokkuvõtted – pärast iga andmekogumissessiooni -> võtmepunktide sõnastamine - sest need on veel meeles; juba on teada uurimuse kesksed teemad -> kas on alternatiivseid võimalusi infot saada; kontekst – segajad, setting, seotud inimesed, tingimused jne. • Personaalsed memod/ uurimispäevikud – võimalus registreerida ideid, mis tulevad pähe ükskõik millise uurimuse aspekti kohta -> MEELDE EI JÄÄ MIDAGI :P Kronoloogilisus – süstematiseerida nii, et leiad hiljem üles, mis idee mis hetkel tekkis ja mille kohta

13. Lähenemised kvalitatiivsele analüüsile • Deduktiivne – teoreetilise või kirjeldava raamistiku kasutamine Kui uurimisküsimus teooriapõhine -> sama teooria annab ka raamistiku suunamaks andmeanalüüsi. Eelised – lingib uurimuse valdkonna olemasolevate teadmistega; ütleb, kuidas /kuhu/ miks kodeerida /mida ignoreerida • Induktiivne – uurimine ilma eeldetermineeritud teoreetilise või kirjeldava raamistikuta Andmekogumine, millele järgneb andmetes „kaevamine“, avastamaks väärtuslikke teemasid. Analüüs algab paralleelselt andmekogumisega -> kontseptuaalne raamistik, mis hakkab suunama edasist tööd-> põhistatud lähenemine. Pole selget teooriat uurimise alguses, aga on selge uurimiseesmärk. Tegelikkus on pragmaatilisem – tavaliselt kombineeritakse mõlema lähenemise elemente: mõnes uuringufaasis on vaja tugineda olemasolevale teabele/ selle rakendatavust testida; vahel arendada seda uues suunas, kui teooria tulemusi ei selgita

14. Deduktiivse hõnguga analüütilised protseduurid • „Patternmatching“ – (ei räägi kardinatest ja tapeedist) - tulemuste mustrite ennustamine, tuginedes teoreetilistele eeldustele võimalike seoste kohta. Kaks variatsiooni. • Selgituse väljatöötamine – sarnane põhistatud teooriale – teoorialoome paralleelselt andmekogumisega; iteratiivne protsess (erinevus PT-st – taustateooria olemasolu)

15. Induktiivse hõnguga analüütilised protseduurid Miks olla induktiivne? • ambitsioon võib olla eksploratiivne/ avastav projekt ,eesmärgiga edasise uurimissuuna genereerimine/täpsustamine • teooria võib olla kitsendav - äkki see teooria ei peegelda uuritavat nähtust? Kui teooria tegelikkust „ei mahuta“, on andmete sellesse surumine ebaadekvaatne. Induktiivsuse eelis – teoreetiliselt peaks võimaldama haakuvust loodava teooria ja osalejate sotsiaalse reaalsuse vahel – lisaboonus: osalejate jaoks on sel viisil tekkiv teooria mõistetav • uurimiskonteksti-spetsiifiline teooria võib olla kasulik edasiste tegevusjuhiste pakkujana - tugineb konkreetselt antud raamistikus toimuvatele sündmustele/ tingimustele EI TOHI kasutada induktiivset lähenemist juhul, kui eesmärk on kõrvale hiilida uurimisprojekti ammendavast ettevalmistusest

16. Andmete visuaalne esitamine ja analüüs • andmete summeerimine ja lihtsustamine • selektiivne keskendumine osale sellest • visuaalsed abimehed – joonised, diagrammid, mudelid • seoste mustrite leidmine • järelduste sõnastamine/ kontrollimine Visuaal aitab seoste mõistmisele kaasa, eriti, kui tegemist eri analüüsi tasemetega

17. Analüütiline induktsioon • induktiivne versioon „selgituse väljatöötamise“ protseduurist • strateegiliselt valitud arvu juhtumite uurimine, tõestamaks spetsiifilise nähtuse põhjuseid • esialgne definitsioon / selgitus suhteliselt üldine -> ei tulene teooriast • testitakse juhtumianalüüsi abil - valitud nii, et uuritav nähtus ilmneks • tulemuse põhjal – kas senine selgitus tuleb ümber defineerida või kitsendada/täpsustada uuritava nähtuse fookust • mõlemal juhul – järgmine juhtumianalüüs • juhul, kui pakutud selgitus leiab kinnitust – andmekogumine lõpetada või testida lisajuhtumeid, veendumaks, et see tõepoolest on kehtiv selgitus

18. Põhistatud teooria Eesmärk: luua seletus või genereerida teooria mingi keskse teema kohta, mis andmestikus ilmneb. Protseduurid: • Avatud kodeerimine – andmestik „lammutatakse“ sisulise tähendusega ühikuteks ja varustatakse sildiga - tekib rida koode - paigutuvad abstraktsemate kategooriate alla -> hallatavam/ fokusseeritum andmestik • Aksiaalne e. telgedele kodeerimine – seoste otsimine eelnevalt leitud andmekategooriate vahel, mis korrastatakse hierarhiliseks, s.t. tekivad alakategooriad – püütakse mõista seoseid kõigi aspektide vahel / kinnitada neid andmetega • Selektiivne kodeerimine – tõenäoliselt leitakse kesksed /peamised kategooriad ning nendega seotud alakategooriad – alus kujunevale teooriale … ei pruugi kuhugi välja jõuda :P

19. Kvalitatiivse andmestiku kvantifitseerimine • Näiteks: • on sul vaja mingite sündmuse toimumise sagedust hinnata; • lugeda kokku mingeid põhjuseid, mida mingile sündmusele omistatakse; • hinnata mingi nähtuse spetsiifilisi omadusi; etc • CAQDAS programmid võimaldavad luua kvantifitseeritud andmefaile kvalitatiivsetest andmetest – edasi statistikaprogrammidesse konverteeritavad + võib toetada teisi kvalitatiivsete andmete töötlemise meetodeid võimaldab seda tüüpi andmeid edasiselt kvantitatiivselt analüüsida - kvalitatiivsete andmete kontekstis piiratud väärtus – ülelihtsustab kvalitatiivse andmestiku sisu