Navigieren Sie zu anderen Teilen der Anleitung:

Teil 1: Die Grundlagen oder Teil 3: Qualitative Daten präsentieren

Umgang mit qualitativen Daten

Qualitative Forschung befasst sich mit allen Arten von Daten, wobei die größte Herausforderung darin besteht, dass die meisten qualitativen Datenerhebungen unstrukturierte Daten erzeugen, die vor der Datenanalyse eine Organisation erfordern. Diese Aufgabe ist vielleicht deshalb so mühsam, weil sie zu den weniger attraktiven oder spannenden Aspekten der qualitativen Forschung gehört. Schließlich brennen qualitative Forscher oft darauf, qualitative Daten zu sammeln und durch eine qualitative Datenanalyse wichtige Erkenntnisse zu gewinnen.

Qualitative Forschung liefert ein Gewirr von Daten, das die Forscher vor der qualitativen Analyse organisieren müssen.

Dieser Abschnitt befasst sich mit dem Konzept der Organisation qualitativer Daten als Vorstufe zur Analyse. Ohne diese Organisation werden Sie die Datenanalyse und die Berichterstattung über die Forschungsergebnisse als schwierig, wenn nicht gar unmöglich empfinden.

Sammlung und Analyse von qualitativen Daten

Quantitative Daten sind natürlich mit einem Wert und einer Struktur für die Organisation von Werten verbunden. Wenn wir uns die Einwohnerzahl von New York und Tokio ansehen, haben wir wahrscheinlich eine Tabelle im Kopf, in der die Städte mit den entsprechenden Einwohnerzahlen aufgeführt sind. Die Elemente im Periodensystem sind nach ihrem Atomgewicht geordnet, während die Bewertungen der Kritiker und die Gesamteinnahmen an den Kinokassen die "Qualität" von Filmen messen.

Aus diesem und anderen Gründen ist es einfacher, quantitative Daten zu sammeln und zu analysieren, da wir anhand von Zahlenwerten feststellen können, ob ein Film "besser" ist als ein anderer oder welche Städte am schnellsten wachsen. Zahlen sind intuitiv; auch wenn quantitative Ansätze immer komplizierter werden, bedeutet die grundlegende Annahme, dass numerische Werte ein Gefühl der Messung vermitteln können, dass quantitative Forschung leicht zugängliche Daten liefern kann.

Qualitative Daten können dagegen schwieriger zu messen und zu organisieren sein. Beachten Sie, dass die von Filmkritikern und Kinobetreibern vergebenen Noten ein numerisches Gefühl dafür vermitteln können, welche Filme als besser oder beliebter gelten als andere. Dieser Eindruck beruht auf der Annahme, dass schlechte Filme von den Kritikern schlecht bewertet werden und nicht genügend Zuschauer anlocken. Keine der beiden Messungen trifft jedoch den Kern dessen, was einen wirklich guten Film ausmacht, wenn er überhaupt definiert werden kann.

Stellen Sie sich Fokusgruppen oder qualitative Forschungsmethoden vor, die eine dynamische Interaktion zwischen mehreren Forschungsteilnehmern beinhalten. In allen anderen als den am besten strukturierten Kontexten gibt es selten eine vorhersehbare Reihenfolge der Sprecher oder Akteure. Infolgedessen kann das resultierende Transkript oder die Feldnotizen zunächst nur zeitlich geordnet sein (d. h. in der chronologischen Reihenfolge der bei der Datenerfassung erfassten Ereignisse). Sie sind möglicherweise nicht in einer Weise geordnet, die verschiedene Formen der qualitativen Datenanalyse ermöglicht. Kurz gesagt, alle Forschungsdaten, die mit qualitativen Methoden erhoben wurden, müssen häufig neu geordnet oder umstrukturiert werden.

Wie bereits erwähnt, ist dieser Teil des Forschungsprozesses vielleicht nicht so glamourös wie das Sammeln oder Analysieren von Daten. Die Gewinnung nützlicher Erkenntnisse aus den analysierten Daten ist jedoch eine große Herausforderung, wenn die Daten nicht geordnet werden.

Wie verwalten Sie qualitative Daten?

Bei der Verwaltung qualitativer Daten geht es darum, alle Daten, die Sie in einer qualitativen Studie sammeln, so zu sortieren, dass die Organisation und die qualitative Analyse machbar und sogar einfach ist. Das Ziel eines effektiven qualitativen Datenmanagements ist es, nützliche Datensegmente für verwertbare Erkenntnisse leicht verständlich und durchsuchbar für die Datenanalyse und die Präsentation für Ihr Forschungspublikum zu machen.

Qualitatives Datenmanagement beginnt mit einem Durcheinander. Sie können alle Ihre Forschungsdaten in einem Ordner ablegen, der Ihr Forschungsprojekt repräsentiert. Selbst wenn jedes Interviewprotokoll, jede Feldnotiz und jedes Memo eine eigene Datei ist, hat Ihr Projekt die notwendige Struktur, um die Informationen aus den Daten sinnvoll zu nutzen?

In diesem Teil werden Ratschläge zum Umgang mit qualitativen Daten gegeben, die zwar selbstverständlich erscheinen mögen, sich aber dennoch als wesentlich für die wichtigeren Phasen der Datenorganisation bis hin zur Datenanalyse erweisen werden. Indem Sie eine grundlegende Struktur für die gesammelten Daten Ihrer Studie schaffen, können Sie Ihr Projekt für die effiziente Identifizierung von Themen und Erkenntnissen vorbereiten, die Ihre Forschungsuntersuchung informieren können.

Entwicklung eines Kodierungssystems zur Organisation der Daten

Ein entscheidender Teil der Verwaltung qualitativer Daten besteht darin, ein System von „Codes“ oder „Etiketten“ zu erstellen, die den Datensegmenten zugeordnet werden. Diese Codes können auf Themen, Konzepten, Ideen oder Sätzen beruhen, die sich aus den Daten ergeben. Der Kodierungsprozess erleichtert eine höhere Organisationsebene, die es den Forschern ermöglicht, ihre Daten für eine eingehendere Analyse zu kategorisieren und zu segmentieren. Forscher können verschiedene Strategien für die Entwicklung eines Kodierungssystems anwenden, wie z. B. die Erstellung von A-priori-Codes auf der Grundlage von Literatur oder bestehenden Theorien und von In-vivo-Codes, die sich direkt aus den Daten selbst ergeben.

Darüber hinaus können Forscher verschiedene Kodierungstechniken in Betracht ziehen, wie z. B. offenes Kodieren, thematisches Kodieren oder diskursbasiertes Kodieren, je nach der verfolgten Methodik und Forschungsfrage.

Erstellen eines Datenmanagementplans

Schon vor Beginn der Datenerhebung kann es für die Forscher von großem Nutzen sein, einen umfassenden Verwaltungsplan für alle ihre Datenbestände zu entwickeln. Dieser Plan sollte regeln, wie die Daten erhoben werden, wie die Vertraulichkeit der Daten gewährleistet wird, wie die Daten während der Forschung organisiert werden (z. B. nach Erhebungsmethode oder Datentyp), wie die Daten gespeichert und gesichert werden, um einen Verlust zu verhindern, und wie die Daten nach dem Projekt entsorgt werden, falls erforderlich. Dieser Plan dient als Fahrplan für den Forschungsprozess und stellt sicher, dass die Forscher in ihrem Datenmanagement konsistent und effizient bleiben.

Machen Sie ATLAS.ti zum Ort für Ihre gesamte Forschung

Wichtige Erkenntnisse beginnen mit einer effizienten Organisation Ihrer Daten. Probieren Sie ATLAS.ti noch heute kostenlos aus.

Kostenlose Testversion

Wie werden die qualitativen Daten geordnet und sortiert?

Eine andere Möglichkeit, über die Notwendigkeit eines qualitativen Datenmanagements nachzudenken, ist, sich daran zu erinnern, dass Ihre frisch gesammelte Daten Rohdaten sind. Qualitative Methoden produzieren in der Regel Rohdaten, die für sich genommen nicht systematisch analysiert und in strenge Forschungsergebnisse umgewandelt werden können. Eine Audioaufnahme einer Fokusgruppe muss zum Beispiel in ein Transkript umgewandelt werden, damit der Text markiert, kodiert und für die Analyse verwendet werden kann.

Datenreduktion

Im Bereich der qualitativen Forschung spielt der Prozess der Datenreduktion eine zentrale Rolle, um die qualitativen Rohdaten in eine handhabbarere und konzentriertere Form zu bringen. Im Wesentlichen geht es darum, riesige Datenmengen verständlicher zu machen, ohne dass die Essenz der Informationen verloren geht.

Die Datenreduktion beginnt, sobald mit der Datenerhebung begonnen wird. Während der Forscher in die Daten eintaucht, beginnt er, kritische Informationen zu identifizieren und hervorzuheben, aussagekräftige Segmente zu extrahieren und Daten zu verwerfen, die nicht wesentlich zu seinen Forschungszielen beitragen. Dies ist ein iterativer Prozess, der sich während des gesamten Forschungsprojekts entwickelt, von den ersten Phasen der Datenerhebung bis zu den letzten Phasen der Datenanalyse.

Zu den typischen Methoden der Datenreduzierung gehören das Paraphrasieren längerer Erzählungen, das Zusammenfassen der wichtigsten Ideen oder das Erstellen kurzer Zusammenfassungen langer Transkripte. Zu diesem Prozess gehört auch die Klassifizierung und Kategorisierung der Daten in Themen, Themen oder Muster, die sich abzeichnen. Im Wesentlichen geht es darum, die Daten zu filtern und zu Schlüsselpunkten zu verdichten, die für den größeren Datensatz repräsentativ sind.

Bei der Datenreduzierung müssen Forscher jedoch Vorsicht walten lassen, um sicherzustellen, dass sie die Daten nicht zu stark vereinfachen oder falsch darstellen. Trotz der Notwendigkeit, den Datensatz zu komprimieren, ist es wichtig, den Reichtum und die Tiefe der qualitativen Daten zu erhalten. Aus diesem Grund sollten die Forscher ihre Rohdaten häufig überprüfen, um sicherzustellen, dass die reduzierten Daten ihre ursprüngliche Bedeutung und ihren Kontext beibehalten.

Das Endergebnis des Datenreduzierungsprozesses ist ein kuratierter Datensatz, der nicht nur weniger umfangreich, sondern auch so strukturiert ist, dass er die weitere Analyse erleichtert. Dieser kuratierte Datensatz bildet dann die Grundlage für die Ableitung aussagekräftiger Erkenntnisse, Schlussfolgerungen und Empfehlungen aus der qualitativen Forschungsstudie.

Kodierung qualitativer Daten

Ein grundlegender Schritt bei der Organisation von qualitativen Daten für die Analyse ist der Prozess des Kodierens. Im Kern geht es bei der Kodierung um die Kategorisierung und Kennzeichnung von Datensegmenten mit Etiketten, die deren Bedeutung und Inhalt darstellen. Auf diese Weise werden die Daten nicht nur verdichtet, sondern auch konzeptionell gehandhabt, wodurch die Rohdaten in analysierbare Einheiten verwandelt werden.

Obwohl es viele Kodierungsmethoden gibt, beginnen viele qualitative Forscher häufig mit offenem Kodieren, bei dem der Forscher die Daten durchliest und Codes auf der Grundlage des Inhalts der einzelnen Segmente zuweist. Bei diesen Codes kann es sich um ein Wort, eine Phrase oder einen Satz handeln, der das Wesentliche des betreffenden Datenabschnitts genau erfasst. In dieser Phase überlässt es der Forscher in der Regel den Daten, die Codes zu diktieren, anstatt bereits vorhandene Kategorien aufzudrängen. Dadurch wird sichergestellt, dass die Authentizität und der Reichtum der Daten erhalten bleiben.

Im weiteren Verlauf der Kodierung können ähnliche Codes zu Themen oder Kategorien zusammengefasst werden. Dies hilft bei der weiteren Strukturierung der Daten und ermöglicht es, Beziehungen zwischen verschiedenen Codes und Themen zu erkennen. Während des gesamten Kodierungsprozesses kann es für die Forscher von Vorteil sein, ein Codebuch zu erstellen, das eine Liste aller Codes und ihrer Definitionen enthält. Dies gewährleistet die Konsistenz der Kodierung, insbesondere wenn mehrere Kodierer an dem Forschungsprojekt beteiligt sind.

Es ist wichtig, daran zu denken, dass die Kodierung ein iterativer Prozess ist, der oft mehrere Runden der Durchsicht der Daten und der Verfeinerung der Codes erfordert. Je vertrauter der Forscher mit den Daten wird, desto mehr kann sich sein Verständnis vertiefen, was zu Überarbeitungen und Verfeinerungen der Kodierungsstruktur führt. Das Endprodukt der Kodierung kann eine Reihe von Themen, Kategorien und Unterkategorien sein, die für die weitere Analyse und Interpretation verwendet werden können. Letztendlich ist die Kodierung das entscheidende Bindeglied zwischen der Datenerhebung und der aussagekräftigen Analyse in der qualitativen Forschung.

Organisieren Sie Ihre Forschungsdaten mit ATLAS.ti

Verschaffen Sie sich einen Überblick über Ihre Daten, indem Sie Ihre Projektdateien an einem Ort organisieren. Probieren Sie es mit einer kostenlosen Testversion aus.

Kostenlose Testversion

Inhaltsverzeichnis

Dieser Abschnitt ist Teil eines ganzen Leitfadens. Verwenden Sie dieses Inhaltsverzeichnis, um zu einer beliebigen Seite des Leitfadens zu springen.

Der ultimative Leitfaden zur qualitativen Forschung - Teil 2: Umgang mit qualitativen Daten