Wie interpretiert man Forschungsergebnisse mit gemischten Methoden?

Nachdem ein Forscher die Analyse der Daten aus der Mixed-Methods-Forschung abgeschlossen hat, folgt die Interpretation, d. h. die Auswertung der qualitativen und quantitativen Daten, sowohl getrennt als auch zusammen, um sinnvolle Schlussfolgerungen zu ziehen. Sie spielt eine entscheidende Rolle beim Verstehen, Zusammenfassen und Erklären von Forschungsergebnissen.

Einführung

Die Interpretation in der Mixed-Methods-Forschung beinhaltet die Analyse von qualitativen und quantitativen Daten und die Integration der beiden, um ein zusammenhängendes Verständnis des Forschungsproblems zu schaffen. Im Gegensatz zu Studien mit nur einer Methode, bei denen sich die Interpretation nur auf eine Art von Daten konzentriert, erfordert die Mixed-Methods-Forschung einen systematischen Ansatz, um numerische und textuelle Ergebnisse sinnvoll auszuwerten.

Teddlie und Tashakkori (2009) bezeichnen die Integration als den Prozess des Ziehens von Schlussfolgerungen und Meta-Inferenzen. Inferenzen sind Schlussfolgerungen, die aus jedem der qualitativen oder quantitativen Stränge einer Studie abgeleitet werden, während sich Meta-Inferenzen aus der Integration beider Datensätze ergeben. Ziel der Interpretation gemischter Methoden ist es, Erkenntnisse zu gewinnen, die über das hinausgehen, was aus qualitativen oder quantitativen Daten allein gewonnen werden könnte.

Schlüsselaspekte der Interpretation in der Forschung mit gemischten Methoden

Die Interpretation erfordert eine sorgfältige Berücksichtigung statistischer Trends, thematischer Einsichten und breiterer Forschungsimplikationen bei gleichzeitiger Wahrung der Strenge. Im Folgenden werden vier Schlüsselaspekte der Interpretation in der Mixed-Methods-Forschung genannt, die jeweils eine entscheidende Rolle dabei spielen, dass die Schlussfolgerungen der Studie glaubwürdig sind und sinnvolle Erkenntnisse liefern.

Findet in mehreren Phasen statt

Die Interpretation in der Mixed-Methods-Forschung ist kein einstufiger Prozess, sondern findet vor und nach der Integration statt und dient jeweils einem anderen Zweck. Vor der Integration werden die qualitativen und quantitativen Datensätze innerhalb ihres jeweiligen methodischen Rahmens getrennt analysiert. Bei der Interpretation quantitativer Daten werden beispielsweise statistische Verfahren wie Regressionsanalysen, Korrelationen oder deskriptive Statistiken eingesetzt, um Muster und Beziehungen zu erkennen. Bei der Auswertung qualitativer Daten werden dagegen thematische Analysen, Grounded Theory oder Inhaltsanalysen eingesetzt, um aus Erzählungen, Interviews oder offenen Antworten eine Bedeutung zu gewinnen. Diese ersten Interpretationen sind wichtig, da sie ein klares Verständnis der einzelnen Datensätze ermöglichen, bevor sie zusammengeführt werden.

Nach der Integration wird die Interpretation auf eine höhere Ebene verlagert, auf der die Forscher die Ergebnisse zusammenfassen und vergleichen, um Metaschlüsse zu ziehen - umfassendere Schlussfolgerungen, die sich aus der Interaktion zwischen qualitativen und quantitativen Daten ergeben. In dieser Phase bestimmen die Forscher, ob die Datensätze konvergieren (sich gegenseitig unterstützen), divergieren (einander widersprechen) oder sich gegenseitig ergänzen, indem sie Lücken füllen. Wenn beispielsweise Umfragedaten (quantitativ) darauf hindeuten, dass Schüler in strukturierten Lernumgebungen bessere Leistungen erbringen, während Interviewdaten (qualitativ) zeigen, dass Schüler solche Umgebungen als einschränkend empfinden, muss die Interpretation auf diese Unterschiede eingehen. Die Forscher müssen erklären, wie und warum diese Ergebnisse miteinander zusammenhängen, anstatt sie einfach nebeneinander zu stellen. Die Interpretation erfolgt also in mehreren Stufen, um sicherzustellen, dass jeder Datensatz unabhängig voneinander verstanden wird, bevor er zu einem umfassenderen Verständnis des Forschungsthemas zusammengeführt wird.

Bezieht sich auf die Forschungsfrage

Ein entscheidender Aspekt der Interpretation ist die Sicherstellung, dass die Ergebnisse immer mit der Forschungsfrage der Studie verknüpft sind. Mixed-Methods-Forschung generiert oft eine große Menge an Daten, und ohne eine klare Verbindung zu den Forschungszielen können die Ergebnisse unzusammenhängend, unfokussiert oder überwältigend werden. Eine wirksame Interpretation erfordert, dass die Forscher die qualitativen und quantitativen Ergebnisse aktiv mit der zentralen Fragestellung der Studie abgleichen, um sicherzustellen, dass sie sinnvolle und umsetzbare Erkenntnisse liefern.

Nehmen wir zum Beispiel an, eine Studie untersucht die Auswirkungen von Fernarbeit auf die Produktivität der Mitarbeiter. Die Forschungsfrage könnte lauten: "Wie wirkt sich die Fernarbeit auf die Produktivität und die Arbeitszufriedenheit der Mitarbeiter aus?" Die quantitative Komponente (z. B. Erhebungen oder Zeiterfassungsdaten) könnte darauf hinweisen, dass Mitarbeiter, die remote arbeiten, mehr Stunden aufzeichnen als Mitarbeiter, die im Büro arbeiten. Die qualitative Komponente (z. B. Mitarbeiterbefragungen) könnte hingegen zeigen, dass sich Mitarbeiter, die remote arbeiten, produktiver, aber auch isolierter fühlen. Ein Forscher, der diese Ergebnisse interpretiert, muss sicherstellen, dass er nicht einfach beide Ergebnisse getrennt darstellt, sondern sie mit der Forschungsfrage in Verbindung bringt. In diesem Fall könnte die Interpretation zu dem Schluss kommen, dass Fernarbeit zwar die protokollierten Arbeitsstunden erhöht, aber auch Herausforderungen in Bezug auf das Wohlbefinden und das Engagement der Mitarbeiter mit sich bringt, was sich langfristig auf die Produktivität auswirken könnte.

Werden die Ergebnisse nicht mit der Forschungsfrage verknüpft, kann dies zu fragmentarischen Schlussfolgerungen führen, die nicht auf das Kernproblem eingehen. Daher muss die Interpretation immer mit Blick auf die Ziele, Hypothesen oder Leitfragen der Studie erfolgen, um sicherzustellen, dass die Forschung fokussiert und relevant bleibt.

Berücksichtigt mehrere Perspektiven

Eines der wichtigsten Merkmale der Mixed-Methods-Forschung ist die Fähigkeit, durch die Integration von numerischen (quantitativen) und deskriptiven (qualitativen) Daten mehrere Perspektiven zu erfassen. Dies stellt jedoch eine besondere Herausforderung dar: Wie können Forscher Erkenntnisse, die aus unterschiedlichen Analysetraditionen stammen, sinnvoll interpretieren? Die Interpretation muss diese Kluft überbrücken, indem sie den Wert jeder Methode anerkennt und gleichzeitig sicherstellt, dass die eine die andere nicht dominiert.

Quantitative Daten sind oft breit gefächert und verallgemeinerbar und helfen Forschern, Trends in großen Populationen zu verstehen. Allerdings fehlt es ihnen an kontextueller Tiefe - sie erklären nicht, warum bestimmte Muster auftreten. Umgekehrt bieten qualitative Daten tiefe Einblicke in individuelle oder Gruppenerfahrungen, sind aber möglicherweise statistisch nicht repräsentativ. Eine wirksame Interpretation muss sicherstellen, dass diese Perspektiven ausgewogen sind, anstatt eine Datenart gegenüber einer anderen zu bevorzugen.

In einer Studie über die Patientenzufriedenheit in Krankenhäusern könnten die Forscher beispielsweise feststellen, dass die (quantitativen) Umfrageergebnisse zeigen, dass 85 % der Patienten mit ihrer Behandlung zufrieden sind. Andererseits könnten die (qualitativen) Befragungen ergeben, dass sich einige Patienten während der Konsultationen gehetzt fühlten und sich mehr Zeit für ihre Ärzte wünschten.

Wenn sich die Auswertung nur auf den hohen Prozentsatz der Zufriedenheit konzentriert, kann sie wichtige Aspekte der Interaktion zwischen Arzt und Patient übersehen. Werden andererseits nur die negativen Erfahrungen aus den Interviews hervorgehoben, kann der irreführende Eindruck entstehen, dass die meisten Patienten unzufrieden sind. Stattdessen müssen die Forscher beide Perspektiven einbeziehen, um eine nuancierte Interpretation zu liefern - zum Beispiel, dass die Gesamtzufriedenheit zwar hoch ist, aber bestimmte Aspekte der Patientenbetreuung, wie die Sprechstundenzeiten, möglicherweise noch verbessert werden müssen.

Die Interpretation gemischter Methoden erfordert daher eine sorgfältige Beachtung statistischer Trends und narrativer Erkenntnisse, um sicherzustellen, dass keine Perspektive verloren geht oder falsch dargestellt wird.

Erfordert Strenge

Die Interpretation in der Mixed-Methods-Forschung muss rigoros, systematisch und transparent sein. Da die Mixed-Methods-Forschung häufig mit subjektiven Einschätzungen verbunden ist, besteht die Gefahr einer Verzerrung durch Bestätigung, bei der Forscher unbewusst den Ergebnissen den Vorrang geben, die ihren Erwartungen oder Hypothesen entsprechen. Um dies zu vermeiden, muss die Interpretation methodisch erfolgen und gut dokumentiert werden.

Ein rigoroser Ansatz für die Interpretation umfasst:

1. Verwendung eines klaren Rahmens: Forscher sollten bewährte Interpretationsstrategien anwenden, wie z. B. die konvergente Interpretation (Vergleich übereinstimmender Ergebnisse), die erklärende Interpretation (Verwendung eines Datensatzes zur Erklärung des anderen) oder die widersprüchliche Interpretation (Auflösung widersprüchlicher Ergebnisse).
2. Triangulation der Ergebnisse: Der Vergleich von Daten aus verschiedenen Quellen erhöht die Glaubwürdigkeit und stellt sicher, dass die Schlussfolgerungen nicht nur auf einem einzigen Datensatz beruhen.
3. Anerkennen von Grenzen: Forscher sollten Lücken, Ungereimtheiten oder potenzielle Schwächen in ihrem Interpretationsprozess transparent darstellen.

Ein Beispiel: In einer Studie über das Engagement der Studierenden beim Online-Lernen wird angenommen, dass sich 78 % der Studierenden aufgrund von Umfragedaten (quantitativ) engagiert fühlen. Andererseits zeigen die (qualitativen) Interviews, dass sich die Studierenden mit dem selbstgesteuerten Lernen überfordert fühlen.

Eine schwache Interpretation würde nur den hohen Prozentsatz des Engagements betonen und die in den Interviews geäußerten Bedenken ignorieren. Eine strenge Interpretation würde beide Datensätze kritisch auswerten und anerkennen, dass die Studierenden in den Umfragen zwar ihr Engagement angeben, die qualitativen Ergebnisse jedoch darauf hindeuten, dass einige von ihnen sich unter Leistungsdruck gesetzt fühlen, was das langfristige Engagement beeinträchtigen könnte.

Durch eine systematische Analyse, Transparenz und kritische Bewertung stellen die Forscher sicher, dass die Interpretation solide, glaubwürdig und frei von unangemessenen Verzerrungen ist.

Herausforderungen bei der Interpretation

Forscher können mit verschiedenen Herausforderungen konfrontiert werden, wenn sie versuchen, Ergebnisse zu integrieren, methodologische Strenge zu gewährleisten und eine aussagekräftige Erzählung zu konstruieren. Im Folgenden werden einige häufige Herausforderungen sowie praktische Lösungen zur Verbesserung des Interpretationsprozesses vorgestellt.

Qualitative und quantitative Paradigmen aufeinander abstimmen

Qualitative und quantitative Forschung folgen unterschiedlichen philosophischen Traditionen: Quantitative Forschung ist oft positivistisch (auf der Suche nach objektiven Wahrheiten durch statistische Muster), während qualitative Forschung oft konstruktivistisch ist (auf der Suche nach dem Verständnis menschlicher Erfahrungen und Interpretationen). Dieser grundsätzliche Unterschied kann die Integration erschweren, da es für die Forscher schwierig sein kann, statistische Trends mit detaillierten persönlichen Erzählungen in Einklang zu bringen.

Eine gute Lösung ist ein pragmatischer Ansatz, der sich auf die Beantwortung der Forschungsfrage konzentriert und sich nicht durch methodologische Unterschiede einschränken lässt. Anstatt qualitative und quantitative Daten als konkurrierende Paradigmen zu behandeln, sollten Forscher sie als komplementäre Linsen betrachten.

• Wenden Sie einen forschungsbasierten Ansatz an: Verwenden Sie den Datentyp, der die einzelnen Aspekte der Forschungsfrage am besten beantwortet.
• Theoretische Rahmenwerke verwenden: Mixed-Methods-Modelle (z. B. konvergente, erklärende, explorative) bieten strukturierte Möglichkeiten zur Kombination von Datensätzen.
• Erkennen Sie erkenntnistheoretische Unterschiede an: Machen Sie die Stärken und Grenzen der einzelnen Methoden transparent, wenn Sie Interpretationen vornehmen.

Widersprüchliche Ergebnisse

Es kommt häufig vor, dass sich qualitative und quantitative Ergebnisse gegenseitig widersprechen. Eine Umfrage (quantitativ) kann zum Beispiel zeigen, dass die Mitarbeiter eine hohe Arbeitszufriedenheit haben, aber Interviews (qualitativ) können Frustration und Unzufriedenheit mit bestimmten Managementmaßnahmen aufzeigen.

Anstatt widersprüchliche Ergebnisse zu ignorieren, sollten Forscher Diskrepanzen akzeptieren und mögliche Erklärungen untersuchen.

• Triangulation: Vergleich der Ergebnisse mit zusätzlichen Datenquellen (z. B. Beobachtungen, Dokumentenanalyse), um festzustellen, welche Aspekte des Phänomens die einzelnen Perspektiven erklären.
• Folgeanalyse: Führen Sie weitere qualitative Interviews durch, um Widersprüche zu klären, oder verwenden Sie statistische Untergruppenanalysen, um Abweichungen bei den Umfrageantworten zu ermitteln.
• Mischinterpretationsmodelle:
  Konvergente Interpretation: Untersuchen Sie, wo sich die Datensätze gegenseitig unterstützen.
  Widersprüchliche Interpretation: Ermitteln Sie die Gründe für Widersprüche (z. B. soziale Erwünschtheit bei Erhebungen, Unterschiede in der Stichprobe oder kontextbezogene Faktoren).

Unterschiedliche Detailtiefe

Quantitative Ergebnisse sind in der Regel breit gefächert, aber oberflächlich, während qualitative Ergebnisse reichhaltig, aber eng gefasst sind. Diese Diskrepanz kann die sinnvolle Integration von Daten erschweren.

Um die Tiefe der qualitativen Daten mit der Breite der quantitativen Ergebnisse auszugleichen, können Forscher eine Datenart in eine andere umwandeln:

• Quantifizierung qualitativer Daten: Umwandlung qualitativer Themen in numerische Kategorien (z. B. Kodierung von Interviewantworten in prozentuale Anteile positiver/negativer Stimmungen).
• Qualifizierung von quantitativen Daten: Verwenden Sie Fallstudien oder Erzählungen von Teilnehmern, um statistische Trends auf eine menschenzentrierte Weise zu veranschaulichen.

Zeit und Ressourcen

Die Interpretation gemischter Methoden erfordert Fachwissen sowohl in der statistischen als auch in der qualitativen Analyse und ist daher zeitaufwändig. Große Datensätze und komplexe Integrationsstrategien können auch fortschrittliche Software, Transkriptionsdienste und Datenvisualisierungstools erfordern. Die Verwendung von Software wie NVivo und ATLAS.ti kann die Interpretation unterstützen, indem sie Visualisierungstools wie Worthäufigkeitsdiagramme, Code-Koinzidenztabellen und andere Funktionen bereitstellt, die die Quantifizierung qualitativer Daten oder die Umwandlung qualitativer Ergebnisse in Formate, die statistisch analysiert werden können, erleichtern. KI-gestützte Tools können bei der thematischen Kodierung, Transkription und Sentimentanalyse helfen, um die qualitative Interpretation zu beschleunigen. Auch die Erstellung eines Kodierungsleitfadens für qualitative Daten und vordefinierte statistische Analysemethoden können die Interpretation rationalisieren.

Die zwei Phasen der Interpretation

Die Interpretation in der Mixed-Methods-Forschung erfolgt in zwei wichtigen Phasen:

1. Vor der Integration, bei der qualitative und quantitative Datensätze getrennt analysiert werden.
2. Nach der Integration, wenn die Daten synthetisiert werden, um Meta-Inferenzen zu entwickeln.

Jede Phase dient einem bestimmten Zweck und stellt sicher, dass die Ergebnisse zunächst unabhängig voneinander verstanden und dann in eine kohärente Erzählung integriert werden. Im Folgenden werden diese beiden Phasen eingehend untersucht.

Interpretation vor Integration

Vor der Integration von qualitativen und quantitativen Daten muss jeder Datensatz innerhalb seines methodischen Rahmens interpretiert werden. Dieser Schritt stellt sicher, dass die Ergebnisse beider Datentypen genau analysiert und in ihrem Kontext verstanden werden, bevor sie kombiniert werden.

Die wichtigsten Merkmale der Interpretation vor der Integration

• Die Analyse erfolgt getrennt: Die quantitativen Daten werden mit statistischen Verfahren ausgewertet, während die qualitativen Daten mit qualitativen Methoden wie thematischer, inhaltlicher oder narrativer Analyse untersucht werden.
• Die Ergebnisse bleiben unabhängig: In diesem Stadium wird nicht versucht, die Daten zusammenzuführen oder zu verknüpfen.
• Gewährleistet methodische Strenge: Die Interpretation muss etablierten analytischen Ansätzen folgen.
• Bringt erste Erkenntnisse: Die Forscher beginnen, vor der Integration wichtige Muster, Trends und Themen zu erkennen.

Quantitative Dateninterpretation vor der Integration

Bei der quantitativen Datenauswertung geht es um statistische Muster, Beziehungen und numerische Trends. Ziel ist es, mit Hilfe verschiedener statistischer Verfahren eine Bedeutung aus numerischen Daten zu extrahieren.

Zu den möglichen Methoden gehören deskriptive Statistik (Mittelwert, Median, Standardabweichung), Inferenzstatistik (t-Tests, Regression, ANOVA, Korrelationen) und multivariate Analyse (Faktorenanalyse, Strukturgleichungsmodellierung).

Qualitative Dateninterpretation vor der Integration

Die Interpretation qualitativer Daten konzentriert sich auf die Identifizierung von Themen, Mustern und tieferen Bedeutungen in den Antworten der Teilnehmer. Ziel ist es, Erkenntnisse aus Interviews, Fokusgruppen oder offenen Umfrageantworten zu gewinnen.

Zu den möglichen Methoden gehören die thematische Analyse (Identifizierung wiederkehrender Themen), die Grounded Theory (Entwicklung von Theorien aus den Daten) und die narrative Analyse (Untersuchung der Geschichten der Teilnehmer).

Bedeutung der Interpretation vor der Integration

Diese Phase ist wichtig, weil sie sicherstellt, dass jeder Datensatz vor der Integration sorgfältig analysiert wird. Außerdem wird die Glaubwürdigkeit gestärkt, indem verhindert wird, dass eine Methode die andere voreilig beeinflusst, und es werden unabhängige Erkenntnisse gewonnen, die die Forscher vergleichen und gegenüberstellen können.

In dieser Phase versuchen die Forscher nicht, die Ergebnisse miteinander in Einklang zu bringen, indem sie sicherstellen, dass jeder Datensatz für sich genommen stark ist, und ihn für die Integration vorbereiten.

Gemeinsame Strategien

Die Interpretation integrierter Daten in der Mixed-Methods-Forschung erfordert von den Forschern strukturierte Strategien, um die qualitativen und quantitativen Ergebnisse auf sinnvolle Weise zu interpretieren. Vier primäre Integrationsstrategien leiten diesen Prozess: konvergente, erklärende, explorative und widersprüchliche Interpretation.

Eine konvergente Interpretation liegt vor, wenn qualitative und quantitative Ergebnisse sich gegenseitig unterstützen oder verstärken und die gleiche Schlussfolgerung bestätigen. Wenn beispielsweise eine Umfrage ergibt, dass 80 % der Studierenden mit dem Online-Lernen sehr zufrieden sind, und die Befragungen zeigen, dass die Studierenden die Flexibilität von Online-Kursen schätzen, dann führen diese Ergebnisse zu einer stärkeren, validierten Erkenntnis.

Bei der erklärenden Interpretation hingegen werden qualitative Ergebnisse verwendet, um den quantitativen Ergebnissen eine tiefere Bedeutung zu verleihen. Eine Studie könnte ergeben, dass Studierende, die mehr Zeit mit dem Lernen verbringen, tendenziell bessere Noten haben (quantitativ), und Folgebefragungen könnten ergeben, dass Studierende, die strukturierte Lernpläne erstellen, sich in ihrem Lernen sicherer fühlen (qualitativ), was den statistischen Trend erklären würde.

Die explorative Interpretation funktioniert in umgekehrter Richtung, wenn quantitative Ergebnisse qualitative Erkenntnisse klären oder erweitern. Wenn die Interviews darauf hindeuten, dass die Studierenden mit dem Zeitmanagement in Online-Kursen zu kämpfen haben, könnte eine anschließende Umfrage dies quantifizieren und zeigen, dass 65 % der Studierenden Ablenkungen zu Hause als eine große Herausforderung ansehen.

Schließlich ergeben sich widersprüchliche Interpretationen, wenn die qualitativen und quantitativen Ergebnisse voneinander abweichen oder im Widerspruch zueinander stehen, was eine eingehendere Analyse erfordert. Beispielsweise könnte eine Umfrage ergeben, dass die Mitarbeiter eine hohe Arbeitszufriedenheit angeben, während die Befragungen Frustrationen über die Arbeitsbelastung und das Management offenbaren könnten. In solchen Fällen müssen die Forscher mögliche Gründe für die Diskrepanzen untersuchen, z. B. soziale Erwünschtheit bei Erhebungen, Unterschiede bei der Stichprobe oder verborgene kontextbezogene Faktoren.

Durch die systematische Anwendung dieser Integrationsstrategien können Forscher abgerundete Interpretationen entwickeln, die numerische Trends und gelebte Erfahrungen berücksichtigen und letztlich zu umfassenderen Schlussfolgerungen führen.

Bedeutung der Interpretation nach der Integration

Die Interpretation nach der Integration ist wichtig, weil sie sicherstellt, dass die Daten zwar getrennt berichtet, aber sinnvoll integriert werden. Außerdem hilft sie den Forschern, Diskrepanzen und Widersprüche zwischen den Datensätzen aufzulösen, was zu umfassenderen, besser verwertbaren Erkenntnissen führt, die keiner der beiden Datensätze allein liefern könnte.

Schlussfolgerung

Die Interpretation von quantitativen und qualitativen Daten in der Mixed-Methods-Forschung erfordert einen strukturierten Ansatz, um sicherzustellen, dass quantitative Forschungsmethoden und qualitative Erkenntnisse zu einem sinnvollen Verständnis des Forschungsproblems beitragen. Im Gegensatz zu Studien mit nur einer Methode müssen bei der Durchführung von Studien mit gemischten Methoden die Datensätze getrennt analysiert werden, bevor sie zu einer umfassenden Interpretation zusammengeführt werden können. Durch die sorgfältige Berücksichtigung sowohl quantitativer als auch qualitativer Forschung können Forscher über isolierte statistische Trends oder einzelne Erzählungen hinausgehen und ein umfassenderes Verständnis der Ergebnisse ihrer Studie entwickeln.

Ein gut ausgeführter Mixed-Methods-Ansatz ermöglicht es Forschern, quantitative Daten durch strukturierte quantitative Methoden wie Umfragen und Experimente zu sammeln, während qualitative Ergebnisse aus Interviews, Fokusgruppen, offenen Antworten oder anderen Arten von qualitativen Daten einen tieferen Kontext liefern. Die Integration dieser Datensätze ermöglicht eine nuanciertere Erforschung von Beziehungen und Erklärungen und stellt sicher, dass die Ergebnisse nicht nur statistisch gültig, sondern auch kontextuell sinnvoll sind. Um jedoch eine kohärente Interpretation zu gewährleisten, müssen Forscher geeignete Integrationsstrategien anwenden, sei es durch konvergente, erklärende, explorative oder widersprüchliche Modelle.

Letztlich geht es bei der effektiven Interpretation quantitativer Datenerhebungen in der Mixed-Methods-Forschung nicht nur darum, Zahlen mit Erzählungen zu verbinden, sondern auch darum, verschiedene Datenquellen so zu synthetisieren, dass sie mit der Forschungsfrage der Studie übereinstimmen. Durch die Anwendung strukturierter Interpretationstechniken und die Beibehaltung methodologischer Strenge können Forscher aussagekräftige Erkenntnisse gewinnen, die sowohl das theoretische Verständnis als auch die praktische Anwendung in ihren jeweiligen Bereichen verbessern.