Qualitative Datenanalyse kann eine Vielzahl von Ansätzen verfolgen, und ATLAS.ti ist ein flexibles und umfangreiches Werkzeug, das verschiedene Strategien unterstützt. Abhängig von ihren analytischen Bedürfnissen können Forscher ihre Methodik durch die Nutzung (oder das Ignorieren) einer Vielzahl von Funktionen und Features der Computer-Assisted Qualitative Data Analysis Software (CAQDAS) durchsetzen, um ihrer gewählten analytischen Struktur oder ihrem Ansatz gerecht zu werden (Paulus et al. 2014). Im Folgenden werde ich einige der häufigsten Anwendungen von ATLAS.ti in verschiedenen Datenanalyseprozessen diskutieren.
ATLAS.ti ist eine Konzeptdatenbank, die Sie bei der Analyse von qualitativen Daten unterstützt. Das bedeutet, dass Sie das Programm nicht mit Informationen füttern und dann einen magischen 'Analysieren'-Knopf drücken können. Vielmehr erleichtert ATLAS.ti Ihnen das Sammeln, Transkribieren und Kodieren Ihrer Daten, das Erstellen von Konzepten, das Verbinden in Netzwerken, das Stellen von Fragen und das Verfassen von Erzählungen. Das Kodieren ist die zentrale Tätigkeit, die Sie mit ATLAS.ti ausüben, und es bildet die Grundlage für alles andere, was Sie tun. Kodieren bedeutet, dass Sie den für Ihre Forschungsziele interessanten Informationssegmenten Kategorien, Konzepte oder Etiketten zuweisen. Dazu gehört auch das Markieren (Hervorheben, Unterstreichen) und Annotieren (Hinzufügen von Notizen, Kommentaren oder Anweisungen) von Textpassagen oder anderen Datensegmenten.
In ATLAS.ti markieren wir Datensegmente, indem wir Zitate erstellen, die aus Text-, Grafik-, Audio- oder Videomaterial bestehen können.
Die Anmerkungen werden durch Kennzeichnung dieser Datensegmente mit einem Code und ggf. durch Hinzufügen von Kommentaren zu dem Segment erreicht.
Es gibt zwei Hauptansätze für die Kodierung: Induktiv und deduktiv. Deduktives Denken geht vom Allgemeinen zum Speziellen vor. Manchmal wird dies informell als "Top-down"-Ansatz bezeichnet. Wir können eine bestimmte Theorie zu unserem Thema als Ausgangspunkt nehmen, z. B. durch Anleihen in der Literatur. Dann grenzen wir die Theorie ein, indem wir spezifische Hypothesen formulieren, die getestet werden können, und Beobachtungen sammeln, um diese Hypothesen zu überprüfen. Dies führt letztendlich dazu, dass wir in der Lage sind, die Hypothesen mit spezifischen Daten zu testen - und eine Bestätigung (oder auch nicht) der ursprünglichen Theorie zu finden.
In ATLAS.ti würden wir die freie Code-Funktion nutzen, um Codes zu erstellen, die auf den Konzepten basieren, die für die Theorie, mit der wir arbeiten, von Bedeutung sind.
Wir können dann die Listencodierungsfunktion verwenden oder Codes aus dem Navigator oder Manager per Drag & Drop auf die entsprechenden Datensegmente ziehen.
Alternativ ist es möglich, ein komplettes Kodebuch inklusive Codes und deren Definitionen aus einem anderen ATLAS.ti-Projekt, aus einem anderen CAQDAS-Programm oder sogar aus einer Excel-Tabelle zu importieren.
Mit Hilfe von Netzwerken können wir veranschaulichen, wie die importierten Codes (Konzepte) gemäß der Theorie zusammenhängen, indem wir sie z. B. aus dem Code Manager in ein leeres Netzwerk ziehen und semantische Verknüpfungen erstellen.
Es ist wichtig zu erkennen, dass unser Kodierungssystem bei diesem Ansatz von der Theorie geprägt ist. Wir werden die vorhandenen Codes auf die von uns erstellten Datensegmente anwenden. Durch die Kodierung unserer Daten werden wir herausfinden, ob die Konzepte in unserem spezifischen Datensatz so funktionieren, wie es die Theorie vorhersagt. Mit diesem Ansatz ließe sich zum Beispiel prüfen, ob eine europäische Theorie, die den Modernisierungsprozess beschreibt, auch auf einen bestimmten afrikanischen Kontext anwendbar ist.
Induktives Schlussfolgern funktioniert andersherum: Ausgehend von unseren Daten arbeiten wir auf breitere Verallgemeinerungen und Theorien hin. Informell wird dies manchmal als "Bottom-up"-Ansatz bezeichnet. Beim induktiven Schlussfolgern beginnen wir mit spezifischen Beobachtungen und Messungen, wenden Kennzeichnungen an, bis wir Muster und Regelmäßigkeiten erkennen, formulieren vorläufige Hypothesen, die wir untersuchen können, und entwickeln schließlich einige allgemeine Schlussfolgerungen oder sogar eine Theorie. Ein gutes Beispiel ist die Grounded Theory. Dieser Ansatz wird z. B. von einem Ethnographen verwendet, der zu beschreiben versucht, wie ein bestimmtes Volk die Beziehungen zwischen Mensch und Tier sieht.
In diesem Fall würden wir damit beginnen, unsere Daten zu lesen, zu beobachten oder zu hören und sie zu fragmentieren. Dies dient nicht nur dazu, wichtige Segmente zu identifizieren, sondern gibt uns auch die Möglichkeit, Daten mit Daten zu vergleichen. Wenn wir die Daten systematisch fragmentieren, hilft uns dieser Prozess außerdem dabei, die Daten nicht mit unseren eigenen vorgefassten Meinungen zu überlagern, und verhindert, dass wir uns so sehr in die Weltanschauungen der Befragten hineinversetzen, dass wir die Informationen in großen Brocken akzeptieren, ohne sie zu hinterfragen.
In ATLAS.ti würden wir offenes Kodieren (Erstellen und Benennen eines neuen Codes) oder In-Vivo-Kodieren (das ausgewählte Segment bildet den Namen des neuen Codes) verwenden, um Etiketten oder Konzepte zu erstellen, die jedem Datensegment zugeordnet werden.
Die anfänglich verfolgte Strategie ist oft eine offene zeilenweise Kodierung, und im Allgemeinen werden die Codes nahe an den Daten und mit einem offenen und spontanen Ansatz angewandt. Für fast alle Projekte ist es empfehlenswert, die Beschriftungen kurz, einfach und präzise zu halten, wobei der Schwerpunkt auf den Aktionen liegt. Es ist wichtig, jeden neuen Code mit Hilfe der Kommentarfunktion klar zu definieren.
Eine der häufigsten Fallstricke für ATLAS.ti-Anfänger ist, dass sie sich im Sumpf der Kodierung verlieren können (Friese 2012). Es ist wichtig, ein organisiertes Kodierungssystem zu erstellen, das Präfixe, Symbole und Farben verwendet, die definieren, wie Codes mit Gemeinsamkeiten gruppiert werden, damit Kategorien oder Themen identifiziert werden können.
Die Gruppierung der Codes hilft, den Kodierungsprozess und die Befragung der Daten zu fokussieren, und Schritt für Schritt wird das Abstraktionsniveau erhöht, bis wir Verbindungen zwischen den verschiedenen Codes und Codegruppen herstellen und diese grafisch in Netzwerken darstellen können, um auf eine entstehende Theorie hinzuarbeiten.
In einer typischen Grounded-Theory-Studie wird im ersten Zyklus zunächst kodiert, bis eine Sättigung erreicht ist. Danach kann das Kodiersystem ausgewertet werden, indem die Definitionen überprüft und sich überschneidende oder mehrdeutige Codes bereinigt werden. Beim zweiten Kodierungszyklus wird das entwickelte Kodierungssystem verwendet, um den Rest der Daten gezielter zu kodieren. Nach jeder Phase müssen Auswertungen durchgeführt werden, bei denen auf Konsistenz, Redundanz, leere Zitate und noch nicht kodierte Daten geprüft wird. Die Abstraktionsebene der Analyse kann durch die Verringerung der Anzahl von Codes und Kategorien angehoben werden, was von Bedeutung ist, wenn man von der Datenebene zur Konzeptualisierung und Theoriebildung übergeht.
Die Grundlagen dieser deduktiven und induktiven Ansätze können bei der Arbeit mit ausschließlich qualitativen Felddaten, aber auch beim Einsatz von ATLAS.ti in Mixed-Methods-Ansätzen (z.B. beim Import von Umfragen in ATLAS.ti oder beim Datenexport nach SPSS), bei der Arbeit mit Literatur (z.B.. Import von Reference Manager-Daten) oder Social Media daten (Import von Twitter oder EverNote) und sogar bei reflexiven Ansätzen wie der Auto-Ethnographie (z.B. durch Konvertierung von Memos in kodierbare Dokumente) angewendet werden. Die angewandte Kodierung bildet die Grundlage, von der aus die Analysewerkzeuge genutzt werden können, um die Daten zu befragen. Unabhängig davon, ob induktiv oder deduktiv gearbeitet wird, ist es von großer Bedeutung, jeden durchgeführten Schritt in einem Memo festzuhalten, das wie ein Forschungstagebuch funktioniert. Dies erhöht die Transparenz, erleichtert den Überblick und die Steuerung des Analyseprozesses und hilft bei der Verschriftlichung. Obwohl ATLAS.ti die Möglichkeiten und die Transparenz des Forschungsprozesses erheblich verbessert, ist es der Forscher, der für die Herangehensweise, die Konzeptualisierung der Daten und die Organisation und Verknüpfung dieser Konzepte verantwortlich ist, sowie für die systematische Dokumentation dieser Prozesse.
Friese, Susanne (2012): Qualitative Datenanalyse mit ATLAS.ti. London: Sage.
Paulus, Trena; Lester, Jessica; Dempster, Paul (2014): Digital Tools for Qualitative Research. Los Angeles: Sage.
Fotokredit Herotext: Mim-Essay