Kvalitativ dataanalys är arbetet med att organisera och tolka beskrivande data. Intervjuinspelningar, öppna enkätsvar och fokusgruppobservationer ger alla beskrivande – kvalitativ – information. Detta är motsatsen till kvantitativ data, som bara handlar om siffror och statistik.
Kvalitativ data kan inte lätt rengöras, skivas och tärnas som dess numeriska syster. Så forskare använder specifika kvalitativa dataanalysmetoder för att förstå informationen de samlar in.
Forskningsområdet erkänner fem kvalitativa dataanalysmetoder. Vi kommer snabbt att definiera var och en. Sedan kommer vi att dela upp hur man använder dem, när och varför.
#1. Innehållsanalys
Innehållsanalys är när forskare kategoriserar och organiserar ord, begrepp, mönster och teman i sina data.
När du bör använda innehållsanalys
Innehållsanalys är användbar för att identifiera trender och mönster i forskning.
Trenderna kan vara bokstavligen vad som helst. Marknadsforskare kan titta på ett stort urval av samtida annonskampanjer för att upptäcka trender i hur företag använder känslor för att tilltala sina kunder.
Socialforskare kunde studera mammablogginlägg och mammafluencers på Instagram från 2010 till 2020 för att identifiera mönster om hur moderskapet förändrades under ett decennium.
Du förstår idén.
Innehållsanalys är flexibel, och för att bättre förstå den, lär känna de två undertyperna av innehållsanalys: konceptuell analys och relationsanalys.
Låt oss först titta på konceptuell analys.
När folk pratar om innehållsanalys menar de ofta konceptuell analys. Denna metod går ut på att välja ett koncept och sedan räkna hur ofta det förekommer i din data. Det grundläggande målet är att se hur ofta vissa termer dyker upp. I allmänhet kräver begreppsanalys att du gör tre saker:
- Identifiera din fråga: Ta reda på vad du vill lära dig av din forskning och välj dina prover därefter.
- Bestäm din analysnivå: Bestäm om du vill analysera ord, fraser, meningar eller teman.
- Koda texten: Dela upp texten i hanterbara kategorier. Med andra ord, ta reda på vilka specifika ord eller mönster som är relevanta för din forskningsfråga och kvantifiera dem. Denna process, som kallas kodning, görs mycket enklare med kvalitativ forskningsprogramvara som QDA-gruvarbetare och ATLAS.ti.
Relationsanalys tar konceptuell analys ett steg längre. Det handlar om att identifiera mönster och fokusera på relationerna mellan dem, snarare än att studera förekomsten av själva mönstren.
Det finns tre undertyper av relationsanalys:
- Effektextraktion: Identifiera och analysera de känslor som uttrycks i dina kvalitativa data.
- Närhetsanalys: Titta på hur ofta och var ord, fraser eller idéer förekommer nära varandra i en text.
- Kognitiv kartläggning: Använda diagram, grafer eller andra visualiseringsverktyg för att utforska sambanden mellan specifika teman och trender.
När ska man använda innehållsanalys
Hur vet man när man ska använda kognitiv vs relationell begreppsanalys?
Det är enkelt.
- Använda konceptuell analys när man vill kvantifiera förekomsten och frekvensen av ett specifikt koncept.
- Använda relationsanalys när du vill utforska sambanden mellan begrepp i en uppsättning kvalitativ data.
Säg att du gör en undersökning för att fråga en grupp hundägare om de låter sina lurviga vänner sova i sina sängar med dem. Konceptuell innehållsanalys kan avslöja hur många gånger vissa ord används, som “alltid”, “aldrig”, “mys” och “skrapa”. Det kan också visa dig trender i valpföräldrarnas attityder om att dela sängar (eller inte) med sina pälsbarn.
Relationsanalys kan hjälpa dig att utforska teman bland personer som svarat “ja” och personer som sa “nej”. Detta kan i sin tur hjälpa dig att förstå orsakerna bakom svaren.
#2. Narrativ analys
Narrativ analys innebär att man samlar in berättelser eller redogörelser och letar efter underliggande teman.
När du bör använda narrativ analys
Använd narrativ analys när du behöver förstå berättelserna bakom klient- eller kundupplevelser.
Om ditt mål är att förbättra din kundresa, till exempel, kan narrativ analys avslöja vad dina kunder tycker om resan som den är just nu. Vad de älskar med det – och vad de inte gör.
Innehållet du behöver för narrativ analys kanske redan finns där ute. Ger dina kunder eller kunder recensioner? De räknas som berättelser som kan analyseras.
Men du kan också vara avsiktlig och metodisk när det gäller att samla in den kvalitativa data du behöver för dessa recensioner. Överväg att vara värd för en-till-en-intervjuer med en liten grupp kunder. Eller driva en fokusgrupp. Även undersökningar med utrymme för långa svar ger berättelser du kan gräva igenom.
Ett exempel på narrativ analys
Föreställ dig att ett medelstort detaljhandelsföretag, Fashion ABC, står inför en minskning av återkommande kunder. Detta trots att de erbjuder högkvalitativa produkter – och till och med fått toppinfluenser att vara varumärkesambassadörer. Men av någon anledning kan Fashion ABC helt enkelt inte hålla fast vid så många kunder som de skulle vilja.
För att komma till botten med detta beslutar de sig för att använda narrativ analys på kundfeedback som samlats in under det senaste året.
Så här driver Fashion ABC processen, steg för steg.
- Samla berättelser: Fashion ABC samlar in kundberättelser från recensioner, kommentarer på sociala medier och samtalsutskrifter från kundtjänst.
- Hitta berättelserna: Teamet letar efter personliga berättelser i datan. De noterar de positiva berättelserna men fokuserar mer intensivt på alla berättelser med en negativ känsla, som ilska eller frustration.
- Identifiera teman: Därefter kategoriserar Fashion ABC dessa berättelser för att upptäcka vanliga teman, som “returprocess”, “kundservice”, “produktkvalitet” och “shoppingupplevelse”.
- Analysera mönster: I kategorin “returprocess” märker Fashion ABC-teamet en trend: många kunder är missnöjda med de förvirrande returpolicyerna och särskilt de långsamma återbetalningarna.
- Dra insikter: Det blir tydligt att även om kunderna älskar produkterna är den komplicerade returprocessen en stor smärtpunkt. Även att lämna tillbaka något så enkelt som en för stor skjorta eller ett par byxor är ett stort besvär. Det här problemet dyker upp konsekvent i olika feedbackkällor.
- Vidta åtgärder: Fashion ABC bestämmer sig för att förenkla sin returpolicy. De gör det tydligare och ser till andra företag, som Target och Costco, för att ta reda på hur man snabbt kan återbetala kunder. De rullar ut den nya, lättförståeliga returpolicyn på sin webbplats och effektiviserar returprocessen.
- Kontrollera resultaten: Den narrativa analysen är inte gjord än. Efter några månader samlar Fashion ABC-teamet in ny kundfeedback. Deras mål? För att se om förändringarna har haft en positiv inverkan på kundnöjdhet och lojalitet.
Om förändringarna fungerar vet teamet att den ineffektiva returprocessen verkligen var boven. Om inte kan de gå tillbaka till ruta ett och fortsätta gräva.
#3. Diskursanalys
Diskursanalys tittar på hur människor strukturerar och uttrycker språk i en kulturell kontext.
När du bör använda diskursanalys
Diskursanalys är ett utmärkt verktyg att använda när du vill förstå hur språket formar och speglar oss. Den är idealisk för att undersöka hur olika grupper eller institutioner kommunicerar – och hjälper till att mäta effekten av språkval.
Ta politiska tal till exempel. Politiker anställer talskrivare av en anledning. De letar efter människor som noggrant kan använda ord för att påverka den allmänna opinionen och övertala människor till en specifik synvinkel. (Värt tips: Om du aldrig har gjort diskursanalys tidigare, är dessa tal ett bra ställe att göra lite övningsanalys.)
Liksom alla typer av begreppsanalyser är diskursanalys dock till hjälp inom nästan alla områden.
I utbildningen kan det belysa hur språklärarna använder påverkar lärandet. Inom vården kan det hjälpa forskare att förstå hur språk mellan läkare och patienter påverkar vårdens kvalitet.
Det är också väldigt användbart i medievetenskap. Du kan använda den för att titta på hur nyhetskanaler ramar in specifika berättelser, vilket kan avslöja dolda fördomar. Allt som krävs är att titta på en nyhet utifrån fem olika publikationer för att se hur språket som används i var och en kan påverka läsaren till en specifik synvinkel.
Kort sagt, diskursanalys hjälper dig inte bara att förstå vad sägs. Det hjälper dig också att förstå varför det sägs som det är.
Ett exempel på diskursanalys
Låt oss låtsas att vi analyserar en annons för ett nytt örtte. Här är den allmänna processen vi skulle ta för diskursanalys.
Först skulle vi välja en specifik annons som marknadsför ett märke av örtte.
Sedan skulle vi leta efter återkommande teman i bilderna. Framhäver annonsen avkoppling? Hälsofördelar? Lyx? Alla tre?
Låt oss titta på bilden nedan, som visar en skylt för Pukka-te. Specifikt för ett te som är tänkt att hjälpa människor att göra sig redo för en god natts sömn.
Låt oss titta på vilka ord och fraser företaget använder för att kommunicera dessa teman.
Det finns inte mycket på skylten, men det som finns där är kraftfullt: “Koppla av med naturen.” Pukkas karaktäristiska slingrande vinrankor och blommor bokstäver i hörnen på anslagstavlan, och de lila nyanserna och ångan som stiger upp från koppen hjälper till att fullborda annonsen.
Språket här säger oss att med Pukka-te kan vi koppla av och se fram emot en god natts sömn. Det tyder också på att genom att dricka Pukka-te är vi anslutna till naturen – även mitt i en stad.
#4. Tematisk analys
Tematisk analys innebär att titta på en uppsättning kvalitativa data, som intervjuutskrifter eller enkätsvar, och extrahera betydelser och teman från det.
När ska man använda tematisk analys
Tematisk analys är till hjälp för att hitta idéer – aka teman – i kvalitativ data. Du kan använda den för att analysera saker som intervjuutskrifter, öppna enkätsvar, fokusgruppsdiskussioner och nästan vilken typ av kvalitativ data du samlar in eller hämtar från någon annanstans.
Och med dagens AI-drivna verktyg som NVivo och ATLAS.titematisk analys är enklare än någonsin. (Mer om hur du använder AI för innehållsanalys på ett ögonblick.)
Tematisk analys är särskilt användbar tidigt i din forskning, särskilt när du försöker generera nya idéer. Eller när du utforskar ett ämne utan några specifika hypoteser i åtanke.
Om du till exempel arbetar inom vårdforskning kan du använda tematisk analys för att förstå hur patienter känner inför en ny behandling. Inom utbildning kan det hjälpa dig att utforska vad lärare tycker om en ny läroplan. I affärsvärlden är det användbart för att analysera kundfeedback för att upptäcka vanliga klagomål.
Ett exempel på tematisk analys
Låt oss säga att vi har bestämt oss för att använda tematisk analys för att analysera kundfeedback för vårt nya kafé. Till att börja med samlar vi in och läser igenom 50 kundrecensioner. Vårt mål är att leta efter återkommande ord eller fraser som pekar på specifika idéer – saker som “vänlig personal”, “mysig atmosfär” och “långa väntetider”.
Därefter kommer vi att gruppera dessa element i bredare teman. “Vänlig personal” och “mysig atmosfär” går i kategorin “Positiva upplevelser”. Punkter som “dyr meny” och “långa väntetider” går under kategorin “Behöver arbete”.
Därifrån kan vi sammanfatta våra resultat och använda dem för att göra förbättringar av vårt nya kafé.
#5. Grundad teori
Grounded theory är ett sätt att försöka förstå innebörden av människors handlingar – baserat på deras egna tolkningar av dessa handlingar.
När du bör använda Grounded Theory
Du bör använda grundad teori när du försöker använda din data för att utveckla en teori, snarare än tvärtom. Grounded theory är särskilt användbar när existerande teorier om något inte riktigt passar, och du letar efter en annan vinkel eller ett annat svar.
Låt oss till exempel säga att du studerar hur människor anpassar sig till distansarbete inom ett område som telehälsa. Med grundad teori kan du använda deltagarnas faktiska erfarenheter och interaktioner för att generera teorier och bättre förstå ämnet för din forskning.
Så varför kallas det för jordad teori?
Svaret ligger i denna definition av grounded theory, som kommer till oss från en artikel från 2021 med titeln “Grounded theory: vad gör en grundad teoristudie?” i European Journal of Cardiovascular Nursing: “Fokus på [grounded theory] är att generera teori som är grundad i data och formas av deltagarnas åsikter.”
Det är med andra ord en kvalitativ forskningsmetod som uppmanar teorin att komma från grunden, istället för tvärtom.
Ett exempel på Grounded Theory
Föreställ dig att du vill utveckla mjukvara för att hjälpa digitala nomader att hålla koll på sina arbetstider och blockera distraktioner. (Som referens är digitala nomader människor som arbetar på distans med hjälp av teknik och reser medan de arbetar.)
Det finns inte mycket forskning om hur dessa människor hanterar sin balans mellan arbete och privatliv eller får kontakt med andra människor. Det måste vara svårt, eftersom de alltid är på språng. Hur gör de det? Vad betyder det för deras balans mellan arbete och privatliv? Du vill använda grundad teori för att lära dig mer om detta växande segment av människor så att din produkt kan stödja deras behov.
För att samla in data börjar du med att kartlägga en mängd olika självutnämnda digitala nomader. Du spenderar också tid på att observera onlineforum som Reddit för att få ett mer insiderperspektiv.
När du gräver i enkätsvaren och dina observationsanteckningar börjar du kodningsprocessen. För att göra detta identifierar du begrepp som “flexibla arbetstider”, “isolering”, “gemenskapsstöd” och “reselogistik.”
Därefter kopplar du ihop dessa begrepp i bredare kategorier. Till exempel kan “flexibla arbetstider” och “reselogistik” slås samman i en kategori som kallas “livsstilshantering”, medan “isolering” och “gemenskapsstöd” kan mötas under “social dynamik.”
Slutligen förfinar du dessa kategorier till en ny kärnteori. Du kanske kommer på idén att digitala nomader trivs genom att balansera autonomi och flexibel schemaläggning med gemenskapsstöd. Denna teori belyser hur digitala nomader skapar rutiner som hjälper dem att hantera arbete och resor. Samtidigt förlitar de sig på online- och fysiska gemenskaper för att fylla sin sociala kopp.
Din grundade teori tyder på att hållbarheten hos den digitala nomadens livsstil beror på att balansera personlig frihet, strukturerade men flexibla arbetstider och social anknytning.
I slutet av denna resa har du bestämt dig för att bygga mjukvara som ger digitala nomader en one-stop-shop för att logga arbetstimmar, blockera distraktioner och ansluta till andra nomader.
Hur man använder AI med kvalitativ dataanalys
AI är ett hett ämne, men det är ingen tvekan om att det kan hjälpa till med kvalitativ analys. Det kan dock inte – och bör inte – göra allt arbete åt dig.
Här är en snabb sammanfattning av vad du bör göra och inte göra när det gäller att använda AI i kvalitativ analys.
Do:
- Använd AI för datarensning: AI-verktyg kan utföra de tanklösa uppgifter som människor tar för evigt att göra, som att transkribera intervjuer, ta bort dubbletter och organisera kvalitativ data.
- Använd AI för initial kodning: AI kan också göra ett bra jobb med att hjälpa dig med kodningsprocessen. Hur? Genom att identifiera vanliga termer i texten. Vissa verktyg kan också hjälpa dig att organisera dessa termer i bredare temagrupper.
- Använd AI för att visualisera data: AI kan hjälpa dig att skapa grafer och andra visuella representationer av data, vilket gör det lättare att smälta och studera.
Gör inte:
- Använd AI till något annat. Nej, verkligen. AI är inte mänskligt, och det kan inte göra tolkningar, dra slutsatser eller i princip göra något av det tunga tänkande som krävs i kvalitativ analys. Det är bra för att eliminera upptaget arbete, men du måste använda din egen hjärna och erfarenhet som människa för att göra resten.
Verktyg som ATLAS.ti, Nvivo och Tableau kan hjälpa dig med de AI-vänliga delarna av kvalitativ forskning. Lita på att din erfarenhet som människa hjälper dig med resten.
