Datenanalyse in der Forschung mit gemischten Methoden

Bei der Datenanalyse in Forschungsdesigns mit gemischten Methoden werden quantitative Daten und qualitative Daten getrennt analysiert und dann integriert oder gemischt. Die Analyse hängt von der Art der Forschungsfragen oder Hypothesen in einer Studie ab. In diesem Artikel werden wir die von Creswell und Plano Clark (2016) beschriebene Methodik zur Durchführung einer Mixed-Methods-Analyse sowohl von quantitativen als auch von qualitativen Daten durchgehen.

Einführung

Creswell und Plano Clark (2016) betonen, dass der beste Ansatz in der Mixed-Methods-Forschung darin besteht, sich auf die Arten von Analysen (quantitativ oder qualitativ) zu konzentrieren, die zur Beantwortung von Mixed-Methods-Fragen verwendet werden. Forscher analysieren Daten, um diese Fragen durch verschiedene Schritte und Schlüsselentscheidungen zu beantworten, die von dem gewählten Mixed-Methods-Forschungsdesign abhängen. Durch die Anwendung dieser Analyseverfahren können die Forscher Daten und Ergebnisse darstellen, interpretieren und validieren.

Bei der quantitativen und qualitativen Datenanalyse folgen die Forscher in der Regel fünf linearen Schritten aus etablierten Forschungsparadigmen: Vorbereitung, Erkundung, Analyse, Darstellung der Daten und Interpretation der Analyse. Sie validieren und interpretieren auch die Ergebnisse. Jeder Schritt folgt einem anderen Verfahren, je nachdem, ob es sich um quantitative oder qualitative Daten handelt.

Vorbereitung der Daten für die Analyse

Eine Mixed-Methods-Studie kann sowohl die Erhebung qualitativer als auch quantitativer Daten umfassen, die gleichzeitig (z. B. bei einem konvergenten parallelen Design) oder in getrennten Phasen (z. B. bei einem erklärenden sequentiellen oder explorativen sequentiellen Design) erfolgen kann. Nach der Datenerhebung besteht ein wichtiger erster Schritt in der Vorbereitung der qualitativen und quantitativen Komponenten.

Um die qualitativen Daten für die Analyse vorzubereiten, beginnen Sie mit der Transkription der Aufzeichnungen von Interviews, Fokusgruppen oder Beobachtungen in eine Textverarbeitungsdatei. Überprüfen Sie anschließend die Transkripte auf ihre Richtigkeit und formatieren und organisieren Sie sie für die weitere Analyse. Ordnen Sie die Daten nach Art, Teilnehmer oder Fall, um eine klare Struktur zu erhalten. Schließlich formatieren Sie die Dateien so, dass sie effizient mit qualitativer Analysesoftware wie ATLAS.ti oder NVivo arbeiten.

Um quantitative Daten für die Analyse vorzubereiten, weisen Sie jeder Antwort in einer Datenbank mithilfe von Software wie Excel, SPSS oder anderen quantitativen Tools einen Wert zu. Durch diesen Prozess werden die Rohdaten in ein für die Analyse brauchbares Format umgewandelt. Bereinigen Sie anschließend die Datenbank, indem Sie sie auf Fehler bei der Dateneingabe überprüfen. Falls erforderlich, kodieren Sie die Items neu und berechnen neue Variablen, wie z. B. Summenwerte oder Anpassungen für invertierte Skalen, mithilfe von Software wie Statistical Program for the Social Sciences (SPSS), dem Statistical Analysis System (SAS), R und JMP-Software. Erstellen Sie schließlich ein Codebuch, in dem jede Variable zusammen mit ihrem Namen und ihrer Definition aufgeführt ist, damit Sie während der Analyse darauf verweisen können.

Daten erforschen

In dieser Phase können Sie die allgemeinen Trends und die vorläufige Datenbasis untersuchen. Unabhängig vom Mixed-Methods-Ansatz ist es oft hilfreich, gleichzeitig mit der Datenerhebung und -analyse zu beginnen, da erste Untersuchungen von numerischen und nicht-numerischen Daten hilfreiche Einblicke in die Forschungsstudie liefern können.

Sie könnten damit beginnen, alle gesammelten qualitativen Daten, einschließlich Feldnotizen, Tagebücher, Sitzungsprotokolle, Bilder und Transkripte, durchzulesen, um ein allgemeines Verständnis zu gewinnen. Schreiben Sie bei der Durchsicht Notizen, um erste Gedanken festzuhalten, die Ihnen bei der Bildung von Kategorien wie Codes oder Themen helfen werden. Entwickeln Sie dann erste Codes und erstellen Sie, falls erforderlich, ein qualitatives Codebuch. Dieses Codebuch kann auf früherer Literatur oder Theorien beruhen und hilft, die Daten zu organisieren und gleichzeitig die Konsistenz zwischen den Codierern zu gewährleisten.

Bei quantitativen Daten beginnen Sie mit der Ermittlung von Trends im Datensatz. Führen Sie deskriptive Analysen für unabhängige und abhängige Schlüsselvariablen durch und prüfen Sie, ob die Daten normal oder nicht normal verteilt sind, um geeignete statistische Methoden zu bestimmen. Beurteilen Sie anschließend die Zuverlässigkeit und Gültigkeit der Messgrößen, um deren Genauigkeit sicherzustellen. Schließlich sollten Sie fehlende Daten mit Techniken wie der Imputation von Daten ergänzen.

Analyse der Daten

Nun ist es an der Zeit, die Datenbank zu untersuchen, um die Forschungsfragen oder Hypothesen zu beantworten. Wählen Sie einen Analyseansatz, der mit der/den Forschungsfrage(n) übereinstimmt, die die Mixed-Methods-Studie leiten. Dies könnte bedeuten, dass jeder Forschungsansatz separat analysiert wird oder dass einige qualitative oder quantitative Methoden auf beide Datentypen angewendet werden.

Forscher können qualitative Daten manuell kodieren, indem sie Software wie ATLAS.ti oder NVivo verwenden, die bei der Verwaltung qualitativer Daten hilft, indem sie Text- und Bilddateien speichert, Segmente mit Codes versieht, visuelle Darstellungen erzeugt und Beziehungen zwischen Codes identifiziert.

Beginnen Sie mit der Codierung, indem Sie Phrasen, Sätzen oder Absätzen Etiketten zuweisen und dann ähnliche Codes zusammenfassen. Diese Codes können aus den eigenen Worten der Teilnehmer (In-Vivo-Codierung), von Forschern generierten Bezeichnungen oder etablierten Konzepten der Sozialwissenschaften stammen. Im weiteren Verlauf der Kodierung identifizieren die Forscher umfassendere Themen und ordnen sie in abstrakte Kategorien oder ein theoretisches Modell ein. Verschiedene Ansätze verwenden diese Themen auf unterschiedliche Weise - die Grounded Theory beispielsweise entwickelt Kategorien für einen theoretischen Rahmen, während die narrative Forschung Themen aneinanderreiht, um eine persönliche Geschichte zu erzählen.

Wählen Sie für quantitative Daten die geeigneten inferenzstatistischen Tests auf der Grundlage der Forschungsfragen, des Skalentyps, der Anzahl der Variablen und der Datenverteilung. Die Wahl hängt davon ab, ob die Studie darauf abzielt, Trends zu erkennen, Gruppen zu vergleichen oder Beziehungen zwischen Variablen zu untersuchen, sowie davon, ob die Daten einer normalen oder nicht normalen Verteilung folgen.

Verwenden Sie statistische Software wie SPSS, R, SAS oder JMP, um die Daten zu analysieren, und beginnen Sie mit der deskriptiven Statistik, bevor Sie zur inferentiellen Analyse übergehen. Dies kann Tests für Interaktionseffekte, Haupteffekte und Post-hoc-Vergleiche beinhalten. Führen Sie schließlich inferentielle Tests durch und berechnen Sie Effektgrößen und Konfidenzintervalle, um die Bedeutung und die Auswirkungen der quantitativen Ergebnisse zu interpretieren.

Daten darstellen

Der nächste Schritt der qualitativen und quantitativen Datenanalyse in einer Mixed-Methods-Studie ist die Zusammenfassung und Darstellung der Ergebnisse in Form von Aussagen, Tabellen oder Abbildungen. Die Darstellung der quantitativen und qualitativen Ergebnisse auf unterschiedliche Weise ist ein wesentlicher Bestandteil der Kombination differenzierter Erkenntnisse in Mixed-Methods-Designs.

Bei der Darstellung qualitativer Ergebnisse geht es darum, Themen oder Kategorien zu beschreiben und sie mit Belegen zu untermauern. Forscher können Schlüsselthemen hervorheben, indem sie Zitate von Teilnehmern einbeziehen, mehrere Perspektiven darstellen und umfassende Beschreibungen liefern, um Klarheit und Glaubwürdigkeit zu gewährleisten. Visuelle Elemente wie Abbildungen, Tabellen und Modelle können Beziehungen zwischen Themen illustrieren oder konzeptionelle Rahmen darstellen.

Je nach Ansatz können Forscher Diagramme verwenden, um theoretische Modelle in der Grounded Theory, chronologische Sequenzen in der narrativen Forschung oder vergleichende Tabellen in der Ethnographie darzustellen. Karten können auch das Studienumfeld darstellen, um den Kontext zu verdeutlichen. Um die Konsistenz zu gewährleisten, sollten die Ergebnisse den etablierten Stilrichtlinien folgen, wie etwa der APA-Formatierung.

Quantitative Ergebnisse werden in der Regel durch statistische Zusammenfassungen, Tabellen und Diagramme dargestellt, die numerische Muster, Beziehungen oder Vergleiche zeigen. Deskriptive Statistiken geben einen Überblick über Trends, während inferentielle Statistiken helfen, Schlussfolgerungen aus den Daten zu ziehen.

Diagramme und Abbildungen, wie z. B. Balkendiagramme, Streudiagramme oder Histogramme, stellen Datenverteilungen und -beziehungen visuell dar. Tabellen ordnen numerische Ergebnisse übersichtlich an und erleichtern so den Vergleich von Variablen. Die Einhaltung von Stilrichtlinien, wie z. B. APA, gewährleistet eine korrekte Formatierung und Klarheit bei der Darstellung der Ergebnisse.

Datenauswertung

Nach der Präsentation der Ergebnisse erläutert der Forscher deren Bedeutung, in der Regel im Diskussionsteil eines Berichts. Die Interpretation der Ergebnisse erfordert, dass man sich von den Details löst und ihre breiteren Implikationen in Bezug auf das Forschungsproblem, die Studienfragen oder -hypothesen, frühere Forschungsarbeiten und die eigenen Erfahrungen des Forschers betrachtet.

Die Interpretation qualitativer Ergebnisse beginnt mit der Zusammenfassung der wichtigsten Ergebnisse und der Erläuterung, wie sie mit den Forschungsfragen zusammenhängen. Bei quantitativen Daten besteht die Interpretation darin, die wichtigsten Ergebnisse zusammenzufassen und sie mit den Hypothesen oder Forschungsfragen der Studie zu vergleichen. In einer Mixed-Methods-Studie können die Forscher nun ihre quantitativen und qualitativen Erkenntnisse zusammenführen und überlegen, wie sie zu ihren Forschungszielen beitragen. Die Forscher können ihre Ergebnisse mit früheren Studien oder theoretischen Rahmenwerken in Beziehung setzen, um den Kontext zu verdeutlichen und Beiträge zum vorhandenen Wissen hervorzuheben. Es ist auch wichtig, die Einschränkungen der Studie zu bewerten und Faktoren zu erwähnen, die die Ergebnisse beeinflusst haben könnten. Schließlich skizzieren sie Implikationen für künftige Forschung und praktische Anwendungen für Interessengruppen oder ein breiteres Publikum.

Validieren Sie die Daten und Ergebnisse

Die Sicherstellung der Genauigkeit von Daten, Ergebnissen und Interpretationen ist für eine qualitativ hochwertige Forschung mit gemischten Methoden unerlässlich. Während qualitative und quantitative Methoden Validität unterschiedlich definieren, bewerten beide Ansätze die Qualität von Daten, Ergebnissen und Interpretationen, um die Glaubwürdigkeit zu erhöhen.

In der qualitativen Forschung hat die Validität Vorrang vor der Reliabilität. Die Forscher bewerten, ob die Daten glaubwürdig, übertragbar, verlässlich und überprüfbar sind. Um die Validität zu erhöhen, können sie verschiedene Validierungsstrategien anwenden, z. B. das Member-Checking, bei dem die Teilnehmer Zusammenfassungen der Ergebnisse überprüfen, um die Genauigkeit zu bestätigen, oder die Triangulation, bei der mehrere Datenquellen verglichen werden, um die Schlussfolgerungen zu untermauern. Die Einbeziehung von widersprüchlichen Beweisen erhöht die Glaubwürdigkeit, da Erkenntnisse, die die vorherrschenden Themen in Frage stellen, anerkannt werden. Externe Überprüfungen, bei denen erfahrene Forscher die Analyse bewerten, bieten eine weitere Ebene der Validierung.

Obwohl die Verlässlichkeit eine geringere Rolle spielt, können Forscher die Intercoder-Übereinstimmung nutzen, um die Konsistenz der Kodierung sicherzustellen. Dabei wenden mehrere Codierer dieselben Codes auf die Daten an und vergleichen die Ergebnisse, wobei manchmal statistische Maße wie Krippendorffs Alpha zur Bewertung der Übereinstimmung verwendet werden.

Quantitative Forschung stützt sich auf externe Standards, um Gültigkeit und Zuverlässigkeit zu gewährleisten. Die Konstruktvalidität bestätigt, dass die Messinstrumente das beabsichtigte Konzept genau erfassen, während die Zuverlässigkeit die Konsistenz der Ergebnisse im Zeitverlauf bewertet. Forscher können bewährte Instrumente mit nachgewiesener Gültigkeit und Zuverlässigkeit verwenden, die interne Konsistenz überprüfen und Test-Retest-Bewertungen durchführen. Sie befassen sich auch mit der externen Validität, indem sie bewerten, ob die Ergebnisse über verschiedene Populationen, Settings oder Zeiträume hinweg verallgemeinert werden können.

Schlussfolgerung

Die Analyse von Daten in einer Mixed-Methods-Studie ist ein umfassender Prozess, der die systematische Integration quantitativer und qualitativer Daten beinhaltet, um ein ganzheitlicheres Verständnis von Forschungsproblemen zu ermöglichen. Dieser Prozess wird von den Forschungsfragen oder Hypothesen geleitet, wobei spezifische Analysestrategien auf die Art der erhobenen Daten zugeschnitten sind. Wie Creswell und Plano Clark (2016) betonen, erfordert eine effektive Mixed-Methods-Datenanalyse eine sorgfältige Beachtung der Verfahren zur Vorbereitung, Untersuchung, Analyse, Darstellung, Interpretation und Validierung der Daten.

Die Vorbereitungsphase für qualitative und quantitative Daten ist von grundlegender Bedeutung, da sie die Voraussetzungen für eine rigorose Analyse schafft. Dazu gehören Transkription, Kodierung, Datenbereinigung und Organisation mit Hilfe von Softwaretools wie ATLAS.ti, NVivo, SPSS und R. Die Explorationsphase hilft bei der Identifizierung von Mustern und Trends und leitet die Auswahl geeigneter Analysetechniken. In der Analysephase werden die qualitativen Daten kodiert und eingehend analysiert, während die quantitativen Daten deskriptiven und inferentiellen statistischen Tests unterzogen werden. Die Darstellung der Daten durch Visualisierungen, Tabellen und Erzählungen hilft bei der effektiven Kommunikation der Ergebnisse.

Die Interpretation der Ergebnisse beinhaltet die Synthese von Erkenntnissen aus verschiedenen Datentypen, wobei sichergestellt wird, dass die Integration einen Mehrwert schafft, der über das hinausgeht, was jeder Datensatz unabhängig voneinander bieten könnte. Diese Integration ist in der Forschung mit gemischten Methoden von entscheidender Bedeutung, da sie ein umfassendes Verständnis des Forschungsproblems fördert. Die Validierung der Daten und Ergebnisse durch Strategien wie Triangulation, Member-Checking und statistische Tests erhöht die Zuverlässigkeit und Glaubwürdigkeit der Forschungsergebnisse.

Letztlich geht es bei der Datenanalyse in einer Mixed-Methods-Studie nicht nur um die Kombination quantitativer und qualitativer Daten, sondern auch darum, sinnvolle Verbindungen zwischen ihnen herzustellen, um solide, aufschlussreiche Schlussfolgerungen zu ziehen. Dieser integrierte Ansatz ermöglicht es den Forschern, komplexe Fragen effektiver anzugehen und eine reichhaltigere, nuanciertere Perspektive auf die untersuchten Phänomene zu erhalten.

Referenzen

1. Creswell, J. W., & Plano Clark, V. L. (2016). Designing and conducting mixed methods research (3rd ed.). Thousand Oaks, CA: SAGE Publications.