Statistikk i kvalitativ forskning
Kvalitativ forskning forstås ofte som en tilnærming som fokuserer på mening, erfaring, kontekst og sosiale prosesser. På grunn av dette anser noen statistikk som irrelevant i kvalitativ forskning, eller til og med i strid med den kvalitative ånden, som vektlegger dybde fremfor tall. I praksis kan imidlertid statistikk spille en avgjørende rolle i kvalitativ forskning – ikke for å «transformere» kvalitativ til kvantitativ, men snarere for å hjelpe forskere med å oppsummere data, tydeliggjøre mønstre, styrke argumenter og øke transparensen i analysen.
Denne artikkelen drøfter hvordan statistikk kan brukes på en hensiktsmessig måte i kvalitativ forskning, hvilke typer statistikk som vanligvis brukes, og begrensningene og etikken ved bruken av den for å sikre at den forblir i tråd med målene for kvalitativ forskning.
1. Forstå statistikkens plass i kvalitativ forskning
Kvalitativ forskning tar sikte på å få en dypere forståelse av fenomener gjennom data som intervjuer, observasjoner, dokumenter, feltnotater eller kulturelle artefakter. Kvalitative data tar vanligvis form av fortellinger, ikke tall. Imidlertid kan beskrivende statistikk være nyttig når forskere koder, grupperer temaer eller beregner hyppigheten av forekomsten av kategorier .
Bruk av statistikk i kvalitativ forskning krever ikke at forskere tester hypoteser grundig slik som i kvantitativ forskning. Fokuset er på å støtte tolkning: vise trender, proporsjoner eller variasjoner som kommer fra dataene, samtidig som sitater, kontekst og forklaringer holdes i sentrum for diskusjonen.
2. Deskriptiv statistikk: den vanligste formen
Statistikken som oftest brukes i kvalitativ forskning er beskrivende statistikk, for eksempel:
– Antall deltakere basert på visse egenskaper (alder, yrke, tjenestetid).
– Hyppigheten av forekomst av temaer eller koder i transkripsjonen.
– Prosentandel av respondenter som nevnte et bestemt problem.
– Fordeling av observasjonssteder eller typer dokumenter som er analysert.
Et enkelt eksempel: i en kvalitativ studie av fjernarbeidserfaringer kan en forsker si at «av de 20 deltakerne fremhevet 14 problemet med grensene mellom arbeid og privatliv»; deretter følger forskeren opp med sitater og tolkninger av hvorfor dette problemet var dominerende og hvordan konteksten var forskjellig på tvers av gruppene.
Deskriptiv statistikk hjelper leserne å forstå «kartet» over dataene : hvor mye temaer dukker opp, hvilke temaer som diskuteres oftere, og om det er forskjeller i mønstre på tvers av deltakerne.
3. Kvantifisering av kvalitative data: når er det nyttig?
I kvalitativ analyse kan kvantifisering være nyttig når:
1. Øk transparensen i analysen
Leserne kan se at funnene ikke er basert på bare noen få sitater, men kommer fra et ganske konsistent mønster.
2. Sammenlign grupper på en utforskende måte
For eksempel å sammenligne temaer som dukket opp i intervjuer mellom nybegynnere og erfarne lærere. Dette er ikke for statistisk generalisering, men snarere for å generere mer nyanserte spørsmål og forklaringer.
3. Støtter blandede metoder
I blandet design, Kvalitative data kan bearbeides til kategorier som deretter analyseres kort med tall, eller omvendt kvantitative resultater utdypes gjennom intervjuer.
Kvantifisering bør imidlertid ikke erstatte dybde. Temaer man sjelden opplever kan være utrolig viktige – for eksempel opplevelser av diskriminering som bare noen få opplever, men som har en betydelig innvirkning.
4. Statistiske teknikker som kan brukes
Selv om kvalitativ forskning ikke fokuserer på statistisk inferens, kan noen enkle teknikker brukes med forsiktighet:
– Frekvens og prosentandel: tell forekomsten av koder eller temaer.
– Enkel krysstabell: for eksempel dukket temaet «arbeidsstress» opp oftere hos deltakere som jobbet mer enn 10 timer per dag.
– Gjennomsnitt eller median: for demografiske data eller deltakerkarakteristikker som er numeriske, for eksempel erfaringslengde.
– Visualisering: søylediagrammer, sammendragstabeller eller temakart som presenterer et sammendrag av mønstre.
Hvis forskere bruker programvare som NVivo, ATLAS.ti, MAXQDA eller til og med regneark, er funksjonene for kodefrekvenstelling og kategorisammenligningsmatrise svært nyttige. Disse tallene bør imidlertid leses som «indikasjoner på mønstre i de analyserte dataene », ikke statistiske bevis for populasjonen.
5. Statistikk og innholdsanalyse
Et av de mest «statistikkvennlige» områdene innen kvalitative tilnærminger er innholdsanalyse, spesielt av kvalitativ-kvantitativ art. Forskere kan kode dokumenter (f.eks. nyhetsartikler, innlegg på sosiale medier, institusjonell politikk) og deretter telle hyppigheten av forekomsten av bestemte kategorier.
Eksempel: en studie av dekning av psykisk helse i nettmedier. Forskere kan identifisere kategorier som «stigma», «faglig støtte», «helbredende fortellinger» eller «sensasjonalisme». Etter koding kan forskere presentere andelen kategorier per medium eller tidsperiode. Etterpå må forskere fortsatt gi en grundig lesning av språket, innrammingen og den underliggende sosiopolitiske konteksten.
6. Opprettholdelse av forskningskvalitet: pålitelighet og validitet av den kvalitative versjonen
I kvalitativ forskning diskuteres kvalitet ofte gjennom begreper som troverdighet, overførbarhet, pålitelighet og bekreftelsesevne. Statistikk kan hjelpe med noen aspekter, spesielt kodingsprosessen:
– Avtale mellom kodere
Hvis mer enn én forsker koder dataene, kan samsvarstall (f.eks. prosentvis samsvar eller en spesifikk koeffisient) indikere konsistens. Dette er nyttig, spesielt i innholdsanalyse eller teamforskning.
Forskere må imidlertid være forsiktige: høy enighet betyr ikke automatisk en «riktig» tolkning. Det indikerer ganske enkelt konsistens i anvendelsen av kodedefinisjoner. Derfor er diskusjoner med kodere, revisjonsspor og refleksivitet fortsatt avgjørende.
7. Begrensninger og risikoer ved bruk av statistikk
Det er flere risikoer dersom statistikk brukes uten metodisk vurdering:
1. Reduksjonisme
Kvalitative data er rike på kontekst; for mye fokus på tall kan føre til tap av nyanser, motsetninger og dynamikk.
2. Illusjonen av generalisering
En høy frekvens i et lite utvalg betyr ikke nødvendigvis at den gjelder for den bredere populasjonen. Kvalitativ forskning er vanligvis ikke utformet for statistisk generalisering.
3. Ignorerer mindre, men meningsfulle temaer
Sjeldent dukker opp temaer kan indikere erfaringer til sårbare grupper, skjulte konflikter eller fenomener som er vanskelige å avdekke.
4. Leserens feiltolkning
Lesere kan bli fristet til å tolke tall som et mål på sikkerhet. Derfor må forskere forklare at tall bare er en oppsummering av mønstre i analyserte data.
8. God praksis: integrering av tall og fortelling
For at statistikk skal stemme overens med kvalitativ forskning, kan følgende gode praksiser anvendes:
– Forklar formålet med å bruke tall: enten det er til temakartlegging, utforskende sammenligning eller gjennomsiktighet.
– Inkluder kodeprosessen: kodedefinisjoner, eksempelsitater og analysetrinn.
– Bruk tall proporsjonalt: konsise tabeller er greit, men fortolkende fortelling er fortsatt kjernen.
– Sørg for at konteksten forblir til stede: tall etterfølges alltid av forklaringer på «hvorfor» og «hvordan».
– Inkluder representative sitater: ikke bare «interessante» sitater, men også sitater som viser mønstre og variasjoner.
Konklusjon
Statistikk i kvalitativ forskning er ikke fienden, men snarere et støttende verktøy som kan berike analysen når den brukes riktig. Gjennom beskrivende statistikk, enkel kvantifisering og visualisering kan forskere tydelig oppsummere data og øke gjennomsiktigheten i funnene. Kvalitativ forskning er imidlertid fortsatt forankret i mening, kontekst og dyptgående tolkning. Derfor bør tall behandles som et supplement – som bidrar til å tydeliggjøre mønstre uten å svekke deltakernes stemmer og kompleksiteten til de sosiale fenomenene som studeres.
Når statistikk brukes klokt, kan den være en bro: den kobler den narrative kraften i kvalitativ forskning med en mer systematisk, forståelig og ansvarlig måte å presentere funn på.
