Statistika kvalitatīvajos pētījumos
Kvalitatīvo pētījumu bieži saprot kā pieeju, kas koncentrējas uz nozīmi, pieredzi, kontekstu un sociālajiem procesiem. Šī iemesla dēļ daži cilvēki uzskata statistiku par nebūtisku kvalitatīvajos pētījumos vai pat pretēju kvalitatīvajam garam, kas uzsver dziļumu, nevis skaitļus. Tomēr praksē statistikai var būt izšķiroša loma kvalitatīvajos pētījumos — nevis lai "pārveidotu" kvalitatīvos kvantitatīvos, bet gan lai palīdzētu pētniekiem apkopot datus, precizēt modeļus, stiprināt argumentus un palielināt analīzes caurspīdīgumu.
Šajā rakstā ir aplūkots, kā statistiku var atbilstoši izmantot kvalitatīvajos pētījumos, visbiežāk izmantotie statistikas veidi, kā arī to izmantošanas ierobežojumi un ētika, lai nodrošinātu to atbilstību kvalitatīvo pētījumu mērķiem.
1. Izprast statistikas vietu kvalitatīvajos pētījumos
Kvalitatīvo pētījumu mērķis ir iegūt dziļāku izpratni par parādībām, izmantojot tādus datus kā intervijas, novērojumi, dokumenti, lauka piezīmes vai kultūras artefakti. Kvalitatīvie dati parasti ir naratīvu, nevis skaitļu veidā. Tomēr aprakstošā statistika var būt noderīga, kad pētnieki kodē, grupē tēmas vai aprēķina kategoriju rašanās biežumu.
Statistikas izmantošana kvalitatīvajos pētījumos neprasa no pētniekiem stingru hipotēžu pārbaudi, kā tas ir kvantitatīvajos pētījumos. Galvenā uzmanība tiek pievērsta interpretācijas atbalstam: tendenču, proporciju vai no datiem izrietošo variāciju parādīšanai, vienlaikus diskusijas centrā saglabājot citātus, kontekstu un skaidrojumus.
2. Aprakstošā statistika: visizplatītākā forma
Kvalitatīvajos pētījumos visbiežāk sastopamā statistika ir aprakstošā statistika, piemēram:
– Dalībnieku skaits, pamatojoties uz noteiktām īpašībām (vecums, profesija, darba stāžs).
– Tēmu vai kodu sastopamības biežums transkriptā.
– Respondentu procentuālā daļa, kuri pieminēja konkrētu problēmu.
– Novērošanas vietu vai analizēto dokumentu veidu sadalījums.
Vienkāršs piemērs: kvalitatīvā pētījumā par attālinātā darba pieredzi pētnieks varētu apgalvot, ka “no 20 dalībniekiem 14 izcēla jautājumu par robežām starp darbu un personīgo dzīvi”; pēc tam pētnieks sniedz citātus un interpretācijas par to, kāpēc šis jautājums bija dominējošais un kā konteksts atšķīrās dažādās grupās.
Aprakstošā statistika palīdz lasītājiem izprast datu “karti”: cik plaši parādās tēmas, kuras tēmas tiek apspriestas biežāk un vai pastāv atšķirības starp dalībniekiem.
3. Kvalitatīvo datu kvantitatīva noteikšana: kad tā ir noderīga?
Kvalitatīvajā analīzē kvantifikācija var būt noderīga, ja:
1. Palielināt analīzes pārredzamību
Lasītāji var redzēt, ka secinājumi nav balstīti tikai uz dažiem citātiem, bet gan izriet no diezgan konsekventa modeļa.
2. Salīdziniet grupas izpētes veidā
Piemēram, salīdzinot tēmas, kas parādījās intervijās starp iesācējiem un pieredzējušiem skolotājiem. Tas nav paredzēts statistiskai vispārināšanai, bet gan niansētāku jautājumu un skaidrojumu ģenerēšanai.
3. Atbalsta jauktas metodes
Jauktos dizainos kvalitatīvos datus var apstrādāt kategorijās, kuras pēc tam īsi analizē ar skaitļiem, vai arī, gluži pretēji, kvantitatīvos rezultātus var padziļināt, izmantojot intervijas.
Tomēr kvantifikācijai nevajadzētu aizstāt dziļumu. Reti sastopamas tēmas var būt neticami svarīgas, piemēram, diskriminācijas pieredze, ko piedzīvo tikai daži cilvēki, bet kurai ir būtiska ietekme.
4. Izmantojamās statistikas metodes
Lai gan kvalitatīvie pētījumi nekoncentrējas uz statistisko secinājumu izdarīšanu, dažas vienkāršas metodes var izmantot piesardzīgi:
– Biežums un procentuālā daļa: saskaitiet kodu vai tēmu sastopamību.
– Vienkārša krusttabulācija: piemēram, tēma “darba stress” biežāk parādījās dalībniekiem, kuri strādāja vairāk nekā 10 stundas dienā.
– Vidējais vai mediāna: demogrāfiskajiem datiem vai dalībnieku raksturlielumiem, kas ir skaitliski, piemēram, pieredzes ilgums.
– Vizualizācija: joslu diagrammas, kopsavilkuma tabulas vai tematiskās kartes, kas sniedz modeļu kopsavilkumu.
Ja pētnieki izmanto tādu programmatūru kā NVivo, ATLAS.ti, MAXQDA vai pat izklājlapas, koda biežuma skaitīšanas un kategoriju salīdzināšanas matricas funkcijas ir ļoti noderīgas. Tomēr šie skaitļi jālasa kā "analizēto datu modeļu norādes", nevis statistiski pierādījumi populācijai.
5. Statistika un satura analīze
Viena no kvalitatīvo pieeju “statistikai draudzīgākajām” jomām ir satura analīze, īpaši kvalitatīvi kvantitatīva rakstura. Pētnieki var kodēt dokumentus (piemēram, ziņas, ierakstus sociālajos medijos, iestāžu politikas) un pēc tam saskaitīt noteiktu kategoriju sastopamības biežumu.
Piemērs: pētījums par garīgās veselības atspoguļojumu tiešsaistes medijos. Pētnieki var identificēt tādas kategorijas kā "stigma", "profesionāls atbalsts", "dziedinoši naratīvi" vai "sensacionālisms". Pēc kodēšanas pētnieki var norādīt kategoriju īpatsvaru pa medijiem vai laika periodiem. Pēc tam pētniekiem joprojām ir jāveic padziļināta valodas, ietvara un pamatā esošā sociālpolitiskā konteksta izpēte.
6. Pētījuma kvalitātes uzturēšana: kvalitatīvās versijas ticamība un derīgums
Kvalitatīvajos pētījumos kvalitāte bieži tiek apspriesta, izmantojot tādus jēdzienus kā ticamība, pārnesamība, uzticamība un apstiprināmība. Statistika var palīdzēt dažos aspektos, īpaši kodēšanas procesā:
– Kodētāju savstarpēja vienošanās
Ja datus kodē vairāk nekā viens pētnieks, atbilstības rādītāji (piemēram, procentuālā atbilstība vai noteikts koeficients) var norādīt uz konsekvenci. Tas ir noderīgi, īpaši satura analīzē vai komandas pētījumos.
Tomēr pētniekiem jābūt uzmanīgiem: augsta saskaņa automātiski nenozīmē “pareizu” interpretāciju. Tā vienkārši norāda uz konsekvenci koda definīciju piemērošanā. Tāpēc programmētāju diskusijas, audita pieraksti un refleksivitāte joprojām ir būtiskas.
7. Statistikas izmantošanas ierobežojumi un riski
Ja statistika tiek izmantota bez metodoloģiskas apsvēršanas, pastāv vairāki riski:
1. Redukcionisms
Kvalitatīvie dati ir bagāti ar kontekstu; pārāk liela koncentrēšanās uz skaitļiem var zaudēt nianses, pretrunas un dinamiku.
2. Vispārināšanas ilūzija
Augsts biežums nelielā izlasē ne vienmēr nozīmē, ka tas attiecas uz plašāku populāciju. Kvalitatīvie pētījumi parasti nav paredzēti statistiskai vispārināšanai.
3. Mazsvarīgu, bet nozīmīgu tēmu ignorēšana
Reti sastopamas tēmas var liecināt par neaizsargātu grupu pieredzi, slēptiem konfliktiem vai parādībām, kuras ir grūti atklāt.
4. Lasītāja nepareiza interpretācija
Lasītājiem var rasties kārdinājums interpretēt skaitļus kā noteiktības mēru. Tāpēc pētniekiem ir jāpaskaidro, ka skaitļi tikai apkopo analizējamo datu modeļus.
8. Laba prakse: skaitļu un naratīva integrēšana
Lai statistika atbilstu kvalitatīvajiem pētījumiem, var piemērot šādus labas prakses piemērus:
– Paskaidrojiet skaitļu lietošanas mērķi: vai tie ir paredzēti tēmu kartēšanai, izpētes salīdzināšanai vai caurspīdīgumam.
– Iekļaujiet kodēšanas procesu: koda definīcijas, citātu piemērus un analīzes soļus.
– Izmantojiet skaitļus proporcionāli: kodolīgas tabulas ir piemērotas, taču pamatā joprojām ir interpretējošais naratīvs.
– Pārliecinieties, ka konteksts paliek klātesošs: skaitļiem vienmēr seko paskaidrojumi “kāpēc” un “kā”.
– Iekļaujiet reprezentatīvus citātus: ne tikai “interesantus”, bet gan tādus, kas parāda modeļus un variācijas.
Secinājums
Kvalitatīvajos pētījumos statistika nav ienaidnieks, bet gan palīglīdzeklis, kas, pareizi izmantots, var bagātināt analīzi. Izmantojot aprakstošo statistiku, vienkāršu kvantifikāciju un vizualizāciju, pētnieki var skaidri apkopot datus un palielināt rezultātu caurspīdīgumu. Tomēr kvalitatīvie pētījumi joprojām balstās uz nozīmi, kontekstu un padziļinātu interpretāciju. Tāpēc skaitļi jāuztver kā papildinājums — tie palīdz noskaidrot modeļus, nemazinot dalībnieku balsis un pētāmo sociālo parādību sarežģītību.
Gudri izmantota statistika var būt tilts: savienojot kvalitatīvo pētījumu naratīvo spēku ar sistemātiskāku, saprotamāku un atbildīgāku veidu, kā prezentēt rezultātus.
