Qualitative Datenanalyse

Die Analyse qualitativer Daten ist der nächste Schritt, nachdem Sie die Anwendung der qualitativen Datenerhebungsmethoden abgeschlossen haben. Der Prozess der qualitativen Analyse zielt darauf ab, Themen und Muster zu identifizieren, die in den Daten auftauchen.

Was ist eine qualitative Datenanalyse?

Vereinfacht ausgedrückt handelt es sich bei qualitativen Forschungsmethoden um eine nicht-numerische Datenerhebung, gefolgt von einer Erklärung auf der Grundlage der Eigenschaften der Daten. Wenn Sie z. B. gebeten werden, ein Wärmebild, das in mehreren Farben angezeigt wird, qualitativ zu erklären, würden Sie eher die Farbunterschiede als den numerischen Wert der Wärme erklären. Wenn Sie über eine große Datenmenge verfügen (z. B. von Gruppendiskussionen oder Beobachtungen von Situationen aus dem echten Leben), besteht der nächste Schritt darin, die Rohdaten zu transkribieren und für die anschließende Analyse vorzubereiten.

Forscher können Studien durchführen, die vollständig auf qualitativen Methoden basieren, oder sie können einer quantitativen Forschungsstudie eine qualitative Studie voranstellen, um Probleme zu identifizieren, die ursprünglich nicht vorgesehen waren, aber für die Studie wichtig sind. Quantitative Forscher können auch qualitative Daten sammeln und analysieren, um die Bedeutung ihrer statistischen Ergebnisse besser zu verstehen.

Die Durchführung qualitativer Forschung kann insbesondere dazu beitragen, ein Verständnis dafür zu entwickeln, wie und warum bestimmte Ergebnisse erzielt wurden (zusätzlich zu dem, was erreicht wurde). Die Analyse qualitativer Daten wird zum Beispiel häufig in der Politik- und Programmevaluierungsforschung eingesetzt, da sie bestimmte wichtige Fragen effizienter und effektiver beantworten kann als quantitative Ansätze.

Qualitative Datenanalysen können auch wichtige Fragen zur Relevanz, zu unbeabsichtigten Effekten und zur Wirkung von Programmen beantworten, z. B:

• Waren die Erwartungen angemessen?
• Haben die Prozesse wie erwartet funktioniert?
• Konnten die Hauptakteure ihre Aufgaben erfüllen?
• Gab es unbeabsichtigte Auswirkungen des Programms?

Die Bedeutung der qualitativen Datenanalyse

Qualitative Ansätze haben den Vorteil, dass sie eine größere Vielfalt an Antworten zulassen und die Möglichkeit bieten, sich während des Forschungsprozesses selbst an neue Entwicklungen oder Fragen anzupassen. Obwohl die qualitative Datenanalyse anspruchsvoll und zeitaufwändig sein kann, werden in vielen Bereichen der Forschung qualitative Software-Tools eingesetzt, die speziell entwickelt wurden, um prägnantere, kosteneffizientere und zeitnahe Ergebnisse zu liefern.

Die qualitative Datenanalyse ist aus verschiedenen Gründen ein wichtiger Bestandteil der Forschung und trägt zu einem besseren Verständnis in verschiedenen Bereichen bei. Erstens können Fälle für die qualitative Datenanalyse gezielt danach ausgewählt werden, ob sie bestimmte Merkmale oder kontextbezogene Orte typisieren. Mit anderen Worten: Qualitative Daten ermöglichen ein tiefes Eintauchen in ein Thema, ein Phänomen oder einen Interessenbereich. Anstatt nach einer Verallgemeinerbarkeit für die von der Stichprobe der Teilnehmer repräsentierte Bevölkerung zu suchen, zielt die qualitative Forschung darauf ab, ein tiefgreifendes und differenziertes Verständnis des Forschungsthemas zu schaffen.

Zweitens wird der Rolle oder Position des Forschers bei der qualitativen Datenanalyse größere kritische Aufmerksamkeit geschenkt. Dies liegt daran, dass bei der qualitativen Datenanalyse die Möglichkeit, dass der Forscher eine „neutrale“ oder transzendente Position einnimmt, in praktischer und/oder philosophischer Hinsicht als problematischer angesehen wird. Daher werden qualitative Forscher oft dazu angehalten, ihre Rolle im Forschungsprozess zu reflektieren und dies in der Analyse deutlich zu machen.

Drittens kann die qualitative Datenanalyse zwar eine Vielzahl von Formen annehmen, doch unterscheidet sie sich von der quantitativen Forschung vor allem durch die Konzentration auf Sprache, Zeichen, Erfahrungen und Bedeutung. Darüber hinaus sind qualitative Analyseansätze oft ganzheitlich und kontextbezogen, anstatt die Daten stückweise zu analysieren oder sie aus ihrem Kontext zu lösen. Qualitative Ansätze ermöglichen es den Forschern daher, Untersuchungen aus Richtungen zu erkunden, die mit rein numerischen, quantitativen Daten nicht zugänglich wären.

Strenge der Forschung

Systematische und transparente Ansätze für die Analyse qualitativer Daten sind für die Rigorosität unerlässlich. Viele qualitative Forschungsmethoden erfordern zum Beispiel, dass die Forscher die Daten sorgfältig kodieren und Themen auf konsistente und glaubwürdige Weise erkennen und dokumentieren.

Die vielleicht traditionellste Unterteilung in der Art und Weise, wie qualitative und quantitative Forschung in den Sozialwissenschaften eingesetzt werden, besteht darin, dass qualitative Methoden zu explorativen Zwecken (z. B. zur Entwicklung neuer Theorien oder Thesen) oder zur Erklärung rätselhafter quantitativer Ergebnisse eingesetzt werden, während quantitative Methoden zur Prüfung von Hypothesen verwendet werden.

Qualitative Datenanalyse-Methoden

Nachdem Sie relevante Daten gesammelt haben, was ist der beste Weg, um Ihre Daten zu betrachten? Wie immer hängt dies von Ihrer Forschungsfrage ab. Wenn Sie zum Beispiel eine Beobachtungsmethode anwenden, um mehr über die gemeinsamen Praktiken einer Gruppe zu erfahren, könnte ein ethnografischer Ansatz angemessen sein, um die verschiedenen Dimensionen der Kultur zu erklären. Wenn Sie Textdaten gesammelt haben, um zu verstehen, wie Menschen über etwas sprechen, dann könnte ein diskursiver Analyse Ansatz Ihnen helfen, wichtige Erkenntnisse über Sprache und Kommunikation zu gewinnen.

Der Prozess der Kodierung qualitativer Daten umfasst eine iterative Kategorisierung und Rekategorisierung, die die Weiterentwicklung der Analyse zur bestmöglichen Darstellung der Daten gewährleistet. Das Verfahren schließt in der Regel mit der Interpretation von Mustern und Trends ab, die durch den Kodierungsprozess identifiziert wurden.

Betrachten wir zunächst zwei breit angelegte Ansätze zur Datenanalyse.

Deduktive Analyse

Deduktive Analyse stützt sich auf bereits vorhandene Theorien oder Ideen. Sie beginnt mit einem theoretischen Rahmen, der dann zur Codierung der Daten verwendet wird. Der Forscher kann dann diesen theoretischen Rahmen nutzen, um seine Daten zu interpretieren und seine Forschungsfrage zu beantworten.

Zu den wichtigsten Schritten gehören die Kodierung der Daten auf der Grundlage der vorgegebenen Konzepte oder Kategorien und die Verwendung der Theorie als Leitfaden für die Interpretation der Muster unter den Kodierungen. Die deduktive Analyse ist besonders nützlich, wenn Forscher eine bestehende Theorie in einem neuen Kontext verifizieren oder erweitern wollen.

Induktive Analyse

Induktive Analyse beinhaltet die Entwicklung neuer Theorien oder Ideen auf der Grundlage der Daten. Der Prozess beginnt ohne vorgefasste Theorien oder Kodes, und aus den Daten ergeben sich Muster, Themen und Kategorien.

Der Forscher kodiert die Daten, um alle Konzepte oder Muster zu erfassen, die für die Fragestellung interessant oder wichtig erscheinen research question. Diese Codes werden dann verglichen und miteinander verknüpft, was zur Bildung von umfassenderen Kategorien oder Themen führt. Das Hauptziel der induktiven Analyse besteht darin, die Daten für sich selbst sprechen zu lassen, anstatt den Daten bereits bestehende Erwartungen oder Ideen aufzuerlegen.

Deduktiver und induktiver Ansatz können als gegensätzliche Pole betrachtet werden, und jede Forschung liegt irgendwo in diesem Spektrum. In den meisten Fällen mischen sich bei der qualitativen Datenanalyse sowohl deduktive als auch induktive Elemente, um einen Beitrag zum bestehenden Gespräch über ein Thema zu leisten und gleichzeitig offen für mögliche unerwartete Ergebnisse zu bleiben. Um Ihnen zu helfen, fundierte Entscheidungen darüber zu treffen, welcher Ansatz der qualitativen Datenanalyse zu Ihren Forschungszielen passt, lassen Sie uns einen Blick auf einige der gängigen Ansätze für die qualitative Datenanalyse werfen.

Inhaltsanalyse

Inhaltsanalyse ist eine Forschungsmethode, die zur Identifizierung von Mustern und Themen in qualitativen Daten verwendet wird. Bei diesem Ansatz werden bestimmte Aspekte des Inhalts der Daten systematisch kodiert und kategorisiert, um Trends und Muster aufzudecken. Ein oft wichtiger Teil der Inhaltsanalyse ist die Quantifizierung von Häufigkeiten und Mustern von Wörtern oder Merkmalen in den Daten.

Es handelt sich um eine äußerst flexible Technik, die an verschiedene Datentypen angepasst werden kann, einschließlich Text, Bildern und audiovisuellen Inhalten. Während die Inhaltsanalyse explorativ sein kann, ist es auch üblich, vorher aufgestellte Theorien zu verwenden und einen eher deduktiven Ansatz zur Kategorisierung und Quantifizierung der qualitativen Daten zu verfolgen.

Thematische Analyse

Thematische Analyse ist eine Methode, die dazu dient, Muster oder Themen in den Daten zu identifizieren, zu analysieren und zu berichten. Dieser Ansatz geht über das Zählen expliziter Wörter oder Phrasen hinaus und konzentriert sich auf die Identifizierung impliziter Konzepte und Themen innerhalb der Daten.

Die Forscher führen eine detaillierte Kodierung der Daten durch, um wiederkehrende Themen oder Bedeutungsmuster zu ermitteln. Die Codes können in Themen kategorisiert werden, und der Forscher kann analysieren, wie sich die Themen zueinander verhalten. Thematische Analyse ist in Bezug auf den Forschungsrahmen flexibel und ermöglicht sowohl induktive (datengesteuerte) als auch deduktive (theoriegesteuerte) Ansätze. Das Ergebnis ist eine reichhaltige, detaillierte und komplexe Darstellung der Daten.

Grounded Theory

Grounded Theory ist eine systematische qualitative Forschungsmethodik, die zur induktiven Generierung einer Theorie verwendet wird, die in den Daten selbst "geerdet" ist. Die Analyse findet gleichzeitig mit der Datenerhebung statt, und die Forscher wechseln zwischen Datenerhebung und Analyse, bis eine umfassende Theorie entwickelt ist.

Die Grounded Theory ist gekennzeichnet durch die gleichzeitige Datenerhebung und -analyse, die Entwicklung theoretischer Codes aus den Daten, die gezielte Auswahl der Teilnehmer und dem ständigen Vergleich der Daten mit den entstehenden Kategorien und Konzepten. Das letztendliche Ziel ist es, eine theoretische Erklärung zu entwickeln, die zu den Daten passt und die Forschungsfrage beantwortet.

Diskursanalyse

Diskursanalyse ist ein qualitativer Forschungsansatz, der die Rolle der Sprache in sozialen Kontexten betont. Es geht darum, Kommunikation und Sprachgebrauch über die Satzebene hinaus zu untersuchen und größere Spracheinheiten wie Texte oder Gespräche zu betrachten.

Diskursanalytiker untersuchen in der Regel, wie soziale Bedeutungen und Verständnisse in verschiedenen Kontexten konstruiert werden, und betonen die Verbindung zwischen Sprache und Macht. Sie kann auf Texte aller Art angewandt werden, einschließlich Interviews, Dokumenten, Fallstudien und Beiträgen in sozialen Medien.

Phänomenologische Forschung

Phänomenologische Forschung konzentriert sich darauf, zu erforschen, wie Menschen einer Erfahrung einen Sinn geben, und geht dem Wesen dieser Erfahrung auf den Grund. Sie ist bestrebt, die Wahrnehmungen, Perspektiven und das Verständnis der Menschen für eine bestimmte Situation oder ein bestimmtes Phänomen zu verstehen.

Dabei werden die Teilnehmer eingehend einbezogen, häufig durch Interviews oder Gespräche, um ihre Erfahrungen zu erforschen. Ziel ist es, detaillierte Beschreibungen des Wesens der Erfahrung abzuleiten und zu interpretieren, welche Erkenntnisse oder Implikationen dies für unser Verständnis dieses Phänomens haben könnte.

Wie analysiert man qualitative Daten?

Nachdem wir nun die wichtigsten Ansätze für die Datenanalyse zusammengefasst haben, wollen wir uns nun den umfassenderen Prozess der Forschung und Datenanalyse ansehen. Nehmen wir an, Sie müssen recherchieren, um Antworten auf eine beliebige Forschungsfrage zu finden, sei es eine akademische Untersuchung, ein Geschäftsproblem oder eine politische Entscheidung. In diesem Fall müssen Sie einige Daten sammeln. Es gibt viele Methoden der Datenerhebung: Sie können Primärdaten selbst erheben, indem Sie z. B. Interviews, Fokusgruppen oder eine Umfrage durchführen. Eine andere Möglichkeit ist die Verwendung von Sekundärdatenquellen. Dabei handelt es sich um Daten, die bereits für andere Projekte gesammelt wurden, historische Aufzeichnungen, Berichte, Statistiken - im Grunde alles, was bereits existiert und für Ihre Forschung relevant sein kann.

Die Daten, die Sie sammeln, sollten immer gut zu Ihrer Forschungsfrage passen. Wenn Sie zum Beispiel daran interessiert sind, wie viele Menschen in Ihrer Zielpopulation Ihre Marke im Vergleich zu anderen mögen, nützt es nichts, Interviews oder einige Fokusgruppen durchzuführen. Die Stichprobe wird zu klein sein, um ein repräsentatives Bild der Bevölkerung zu erhalten. Wenn Ihre Fragen sich auf "wie viele....", "wie ist die Verbreitung..." usw. beziehen, müssen Sie quantitative Forschung durchführen. Wenn Sie sich dafür interessieren, warum Menschen verschiedene Marken mögen, ihre Motive und ihre Erfahrungen, dann kann Ihnen die qualitative Forschung die Antworten liefern, die Sie suchen.

Beschreiben wir die wichtigsten Schritte bei der Durchführung von Forschungsarbeiten.

Schritt 1: Planung der Untersuchung

Wie das Sprichwort schon sagt: "Müll rein, Müll raus". Angenommen, Sie stellen nach der Datenerhebung fest, dass

• Sie mit den falschen Leuten gesprochen haben
• die falschen Fragen gestellt haben
• ein paar Fokusgruppensitzungen aufgrund der Gruppeninteraktion bessere Ergebnisse erbracht hätten, oder
• eine Umfrage mit ein paar offenen Fragen, die an eine größere Gruppe von Personen geschickt wurde, hätte ausgereicht und weniger Aufwand erfordert.

Denken Sie gründlich über die Stichprobenziehung, die Fragen, die Sie stellen werden, und die Form nach. Wenn Sie eine Fokusgruppe oder ein Interview durchführen, sind Sie das Forschungsinstrument, und Ihre Datenerhebung wird nur so gut sein, wie Sie es sind. Wenn Sie es noch nie getan haben, sollten Sie sich schulen lassen und üben. Wenn Sie andere Personen damit beauftragen, stellen Sie sicher, dass diese über die entsprechenden Fähigkeiten verfügen.

Schritt 2: Aufbereitung der Daten

Wenn Sie Fokusgruppen oder Interviews durchführen, sollten Sie sich überlegen, wie Sie diese transkribieren wollen. Möchten Sie sie online oder offline durchführen? Wenn online, prüfen Sie, welche Tools Ihren Anforderungen entsprechen, sowohl in Bezug auf die Funktionalität als auch auf die Kosten. Für alle Audio- oder Videoaufzeichnungen können Sie eine automatische Transkriptionssoftware oder -dienste in Betracht ziehen. Automatisch erstellte Transkripte können Ihnen Zeit und Geld sparen, müssen aber dennoch überprüft werden. Wenn Sie dies nicht selbst tun, stellen Sie sicher, dass Sie die Person, die die Transkription vornimmt, anweisen, wie sie die Daten aufbereiten soll.

• Wie soll die endgültige Niederschrift für die spätere Analyse formatiert werden?
• Welche Namen und Orte sollten anonymisiert werden?
• Welche Art von Sprecherkennungen sollen verwendet werden?

Was ist mit Umfragedaten? Einige Umfragedatenprogramme bieten sofort eine grundlegende deskriptive Analyse der Antworten an. ATLAS.ti wird Sie bei der Auswertung der offenen Fragen unterstützen. Dazu müssen Sie Ihre Daten als Excel-Datei exportieren. ATLAS.ti's Umfrage-Import-Assistent wird Sie durch den Prozess führen.

Andere Arten von Daten wie Bilder, Videos, Audioaufnahmen, Text und mehr können in ATLAS.ti importiert werden. Sie können alle Ihre Daten in Gruppen organisieren und Kommentare zu jeder Datenquelle schreiben, um eine systematische Organisation und Dokumentation Ihrer Daten zu gewährleisten.

Schritt 3: Explorative Datenanalyse

Sie können einige einfache Erkundungsanalysen durchführen, um Ihre Daten kennenzulernen. Sie können beispielsweise eine Wortliste oder eine Wortwolke aller Ihrer Textdaten erstellen oder die Wörter in verschiedenen Dokumenten vergleichen und gegenüberstellen. Sie können ATLAS.ti auch relevante Konzepte für Sie finden lassen. Es gibt viele Tools, die Ihre Textdaten automatisch codieren können, sodass Sie diese Codierungen auch zur Erkundung Ihrer Daten und zur Verfeinerung Ihrer Codierung verwenden können.

So können Sie beispielsweise ein Gefühl für die in den Daten ausgedrückten Stimmungen bekommen. Wer ist in seinen Antworten eher optimistisch, pessimistisch oder neutral? ATLAS.ti kann die positiven, negativen und neutralen Stimmungen in Ihren Daten automatisch kodieren. Natürlich können Sie auch einfach Ihre Daten durchsuchen und relevante Segmente, die Ihre Aufmerksamkeit erregen, hervorheben oder Codes anhängen, um mit der Verdichtung der Daten zu beginnen.

Schritt 4: Aufbau eines Kodesystems

Unabhängig davon, ob Sie mit der automatischen oder manuellen Kodierung beginnen, müssen Sie nach der Erstellung der ersten Kodes eine gewisse Ordnung in Ihr Kodesystem bringen, um ein zusammenhängendes Verständnis zu entwickeln. Sie können Ihr Kodesystem aufbauen, indem Sie Kodes in Gruppen sortieren und Kategorien und Unterkodes erstellen. Da dieser Prozess das Lesen und erneute Lesen Ihrer Daten erfordert, werden Sie mit Ihren Daten sehr vertraut werden. Das Zählen mit einem Tool wie ATLAS.ti - Software zur qualitativen Datenanalyse wird Sie bei diesem Prozess unterstützen und es Ihnen erleichtern, Ihre Daten zu überprüfen, die Kodierungen bei Bedarf zu modifizieren, Kodebezeichnungen zu ändern und operationale Definitionen zu schreiben, um zu erklären, was jeder Kode bedeutet.

Schritt 5: Abfrage der kodierten Daten und Verfassen der Analyse

Sobald Sie Ihre Daten kodiert haben, ist es an der Zeit, die Analyse einen Schritt weiter zu bringen. Wenn Sie Software für die qualitative Datenanalyse verwenden, ist es einfach, Teilmengen Ihrer Daten zu vergleichen und gegenüberzustellen, z. B. Gruppen von Teilnehmern oder Themengruppen.

Sie können zum Beispiel die unterschiedlichen Meinungen von weiblichen und männlichen Befragten abfragen. Gibt es einen Unterschied zwischen Verbrauchern aus ländlichen oder städtischen Gebieten oder zwischen verschiedenen Altersgruppen oder Bildungsniveaus? Welche Kodes treten im gesamten Datensatz gemeinsam auf? Gibt es Beziehungen zwischen verschiedenen Konzepten, und wenn ja, warum?

Schritt 6: Visualisierung der Daten

Datenvisualisierung erweckt Ihre Daten zum Leben. Auf diese Weise können Sie Muster und Beziehungen in Ihren Daten erkennen. Anhand von Diagrammen können Sie z. B. sehen, wie Ihre Kodes auf Dokumente oder bestimmte Untergruppen in Ihren Daten verteilt sind.

Das Erkunden kodierter Daten auf einer Leinwand, das Bewegen von Kodebeschriftungen in einem virtuellen Raum, das Verknüpfen von Kodes und anderen Elementen Ihres Datensatzes und das Nachdenken darüber, wie sie zusammenhängen und warum - all das wird Ihre Analyse voranbringen und weitere Erkenntnisse fördern. Visuelle Darstellungen eignen sich auch hervorragend für die Kommunikation der Ergebnisse mit anderen.

Schritt 7: Datenpräsentation

Der letzte Schritt besteht darin, die Analyse in einem schriftlichen Bericht zusammenzufassen. Sie können nun die Memos, die Sie zu den verschiedenen Themen verfasst haben, zusammenstellen, einige markante Zitate auswählen, die Ihren Text illustrieren, und visuelle Elemente wie Tabellen und Diagramme hinzufügen. Wenn Sie die obigen Schritte befolgen, verfügen Sie bereits über alle Bausteine, die Sie nur noch zu einem Bericht oder einer Präsentation zusammenfügen müssen.

Wenn Sie einen Bericht oder eine Präsentation vorbereiten, sollten Sie Ihr Publikum im Auge behalten. Versteht Ihr Publikum Zahlen besser als lange Abschnitte mit detaillierten Interpretationen? Wenn ja, fügen Sie Ihrem Bericht oder Ihrer Präsentation mehr Tabellen, Diagramme und kurze unterstützende Datenzitate hinzu. Wenn Ihr Publikum eine gute Interpretation liebt, fügen Sie Ihre Memos in voller Länge hinzu und führen Sie Ihr Publikum durch Ihre konzeptionellen Netzwerke und illustrativen Datenzitate.