Datorn och kvalitativ information Andreas Werr (andreas.werr@hhs.se)

Agenda Datorhjälpmedel i kvalitativ forskning - intro Er översikt över program NVivo – struktur och grundfunktioner Ett tillämpningsexempel Grundläggande funktioner – att komma igång

Användningsområden för datorn Inhämta och lagra empiriska observationer Datafångst på digitala media (ljud/bild/elektroniska enkäter...) gör grunddata lättillgängligt Internet som en källa till empiriskt material Analysera kvalitativa data Datorhjälpmedel stödjer strukturering och datareduktion av kvalitativt material (huvudsakligen text – men även ljud och bild) Organisera och strukturera läsandet Referenshanteringprogram stödjer struktur och systematik i läs- och skrivprocesserna

Datorhjälpmedel för analys av kval. data Källa: Duriau, Reger & Ndofor (2000)

Några exempel på programvaror Analys av rik kvalitativ data (code and retrieve) Atlas, Decision Explorer, Ethnograph, NVivo… Innehållsanalys Visual text, WinATA, VB Pro, WordStat, TextPack, Hamlet… Textmanagement askSam, Concordance… Audio/Videoanalys The Observer…

Era reflektioner Möjligheter Risker Hålla reda på forskningsprojektet Mobilitet Ökad noggrannhet och närhet till data Hjälper att snabbt hitta textsegment Risker Att tekniken/programmet styr Kvantifiering av det kvalitativa Analysen övertas av datorn

Vad är NVivo? Ett verktyg för att: hålla reda på och utforska kvalitativ data ta fram och hålla reda på idéer om dessa data länka idéer och skapa teorier om data testa teorier 2

NVivos grundstruktur Dokumentsystem Nodsystem 3

Grundläggande funktioner Dokumentsystemet möjliggör lagring och framtagning av text i dokument med t.ex. kodningsinformation skrivande och kodning av kommentarer att spara tankar om dokument som memos att söka text och automatiskt indexera denna Nodsystemet möjliggör att skapa en kategoristruktur av de viktiga koncepten i projektet att enkelt förändra denna under projektets gång att spara tankar och definitioner om kategorierna att länka data till dessa koncept att testa idéer och teorier om data 4

NVivo 7

Dokumentsystemet

Nodsystemet

Kodning

Sökning

Rapportering från NVivo

Analys: att ställa frågor.... Genom att söka text Avancerade textsökningsmöjligheter och automatisk kodning underlättar analys av texten Via indexsystemet Utforska enskilda noder eller kombinationer av dessa för att generera mönster, testa hypoteser, etc. “System closure” möjliggör flerstegsanalyser Varje “svar” kan användas som utgångspunkt för att ställa ytterligare frågor 5

Analys: generera teorier/testa hypoteser Anpassa indexträdet Dela upp/slå ihop noder Förändra trädstrukturen Utforska indexsystemet Granska indexering vid ett dokument Betrakta information vid en nod Utnyttja avancerade sökmöjligheter Sök text Ställ frågor till indexsystemet 9

Exempel: Fusionsdiskursen i massmedia Problemområdet: Varför har fusioner blivit en standardlösning på dagens strategiska utmaningar? Frågor: Hur ser den offentliga diskursen kring fusioner ut? (fallet AZ) Vilka argument förs fram för resp. emot fusioner Vilka röster hörs i den? Vilka underliggande antaganden bygger argumenten på? Hur förhåller sig den offentliga diskursen till den vetenskapliga? Undersökningsobjekt: Artiklar om Astra-Zeneca fusionen i tidskrifterna DN, SvD, DI och Finanstidningen under de senaste 5 åren. (Sökbegrepp: Astra och Fusion i artikelns inledning. Källa: Affärsdata).

Exempel: Fusionsdiskursen (forts) Kodningsregler: Identifiera textavsnitt som tar upp frågan ”varför bör Astra fusionera/inte fusionera” Vem är avsändare till argumentet? Är argumentet för eller emot fusionen? Analys: Tematisk gruppering av argument gick från 200 argument till 10 argumenttyper Argumenten analyseras med avseende på tidsfördelning, avsändare och värdeladdning Slutsatser: Diskursen är till övervägande delen en rationell diskurs utgående från effektivitetsteori Aktörerna skiljer sig inte nämnvärt i detta avseende Den vetenskapliga diskursen har ingen inverkan på den publika

Exempel: Argument i fusionsdiskursen

Reflektioner om NVivo Styrkor Svagheter Gör stora mängder data överblickbara Bibehåller länken mellan abstrakta begrepp och deras empiriska innehåll Underlättar skrivprocessen Flexibelt Svagheter Trögjobbat interface (har dock blivit bättre) Risk att kategoristrukturen blir begränsande Pressar in data i kategorier Avstår från att förändra kategorisystemet pga lathet Risk att missa kontext? Komplext - många möjligheter att göra samma sak 14

Några bra resurser http://caqdas.soc.surrey.ac.uk/index.htm http://www.car.ua.edu/