Hoorcollege 4: Kwalitatief onderzoek: Data-
analyse
1. PRINCIPES
2 basisprincipes cyclisch + niet-gestandaardiseerd:
Dataverzameli Iteratief proces: herhalen dataverzameling obv
ng + analyse verzamelde data bijsturen (ontbreken? Verder
wisselen ingaan?)
elkaar af TOT saturatie, verzadiging bereikt!
Vb. na interviews: deelaspecten v/ belang
opnemen in volgende
Stappen in Voorlopige conclusies DAN opzoek in data om
data-analyse bevestigen, verscherpen, aanvullen, …
herhaald
Niet- Geen vaste analyseprocedure (wel richtlijnen,
gestandaardis aandachtspunten, kwaliteitseisen)
eerd
Verschil data-analyse:
Kwantitatief Kwalitatief
Strikt stappen Centrale begrippen in onderzoeksvraag kan
steekproef, gewijzigd/bijgestuurd (dataverzameling)
onderzoeksvraag, Dataverzameling + analyse wisselen elkaar
operationaliseren, af iteratief ingezet
dataverzameling + Operationalisering obv dataverzameling +
analyse (codering, analyse (niet ervoor)
codeboek, matrix, Logboek!!
label)
Grounded Theory model v/ Glaser, Strauss:
Tegen:
I. Kwalitatief onderzoek = ‘verkennend’ voor ‘rigoreus’ kwantitatief
onderzoek
II. Kwalitatief kan geen theorie genereren
III. Dataverzameling + analyse moet gescheiden in onderzoek
Analytisch + systematisch model op inductieve wijze (v/ empirie tot
theorie)
2. ANALYSE TEKSTMATERIAAL
Taal!! (geen cijfers)
1) Transcript: volledige schriftelijke neerslag interview, focusgroep
Letterlijke weergave gesprekken (foute zinconstructies, stiltes, …)
2) Notities (tijdens interviews, focusgroepen, observaties)
1
, 3) Aanvullen verslag, memo (indrukken, context, ideeën, …)
4) Documenten tekst, audiovvisueel mat.: literatuur, dagboeken, sociale
mediaposts, websites, e-mailverkeer, foto, film, …
3. FASEN (THEMATISCHE) ANALYSE
III.1 GRONDIG KENNISMAKING MET DATA
1) Uittypen interviews, focusgroepen, opnames
Tijdsintensief!
Leert als onderzoeker data kennen
Uitbesteed (transcriptionists, AI, …)
2) Herlezen + doorlezen (als zelf niet alle data verzamelde):
Letterlijk, interpretatief, reflexief (hoe als onderzoeker invloed op
mat.?)
III.2 AFBRAAKFASE: OPEDELEN + OPEN CODEREN
1) Opdelen:
= Opdelen in betekenisvolle eenheden zinsdelen, zinnen (bepaald onderwerp
behandelen)
2) Open coderen
= categoriseren, labelen: fragmenten naam toekennen
Vooraf geformuleerde codes (literatuur, experten, eigen kennis, …
bevraagd tijdens dataverzameling)
Nieuwe, gewijzigde codes
Nieuwe onverwachte onderwerpen aan bod
Codes breder/anders dan verwacht wijzigen
Digitale software kwalitatieve analyse voordelen:
I. Alle digitale bestanden op 1 plek bewaren + bewerken
II. Codes kan flexibel aangepast + veranderingen doorgevoerd in alle
relevante fragmenten (tijd winnen)
III. Eenvoudig oproepen v/ fragmenten die vasthangen aan bepaalde codes
IV. Tellen + opzoeken v/ bepaalde codes, woorden, zinnen, memo’s
V. Visualisatie + weergave tabellen v/ aantal codes
VI. AI-assistent (??)
!! Software administratieve ondersteuning, overzicht, tijdswinst,
efficiëntie
MAAR inhoudelijk, creatief interpreteren/denkwerk onderzoeker zelf !!
Richtvragen open coderen:
2
analyse
1. PRINCIPES
2 basisprincipes cyclisch + niet-gestandaardiseerd:
Dataverzameli Iteratief proces: herhalen dataverzameling obv
ng + analyse verzamelde data bijsturen (ontbreken? Verder
wisselen ingaan?)
elkaar af TOT saturatie, verzadiging bereikt!
Vb. na interviews: deelaspecten v/ belang
opnemen in volgende
Stappen in Voorlopige conclusies DAN opzoek in data om
data-analyse bevestigen, verscherpen, aanvullen, …
herhaald
Niet- Geen vaste analyseprocedure (wel richtlijnen,
gestandaardis aandachtspunten, kwaliteitseisen)
eerd
Verschil data-analyse:
Kwantitatief Kwalitatief
Strikt stappen Centrale begrippen in onderzoeksvraag kan
steekproef, gewijzigd/bijgestuurd (dataverzameling)
onderzoeksvraag, Dataverzameling + analyse wisselen elkaar
operationaliseren, af iteratief ingezet
dataverzameling + Operationalisering obv dataverzameling +
analyse (codering, analyse (niet ervoor)
codeboek, matrix, Logboek!!
label)
Grounded Theory model v/ Glaser, Strauss:
Tegen:
I. Kwalitatief onderzoek = ‘verkennend’ voor ‘rigoreus’ kwantitatief
onderzoek
II. Kwalitatief kan geen theorie genereren
III. Dataverzameling + analyse moet gescheiden in onderzoek
Analytisch + systematisch model op inductieve wijze (v/ empirie tot
theorie)
2. ANALYSE TEKSTMATERIAAL
Taal!! (geen cijfers)
1) Transcript: volledige schriftelijke neerslag interview, focusgroep
Letterlijke weergave gesprekken (foute zinconstructies, stiltes, …)
2) Notities (tijdens interviews, focusgroepen, observaties)
1
, 3) Aanvullen verslag, memo (indrukken, context, ideeën, …)
4) Documenten tekst, audiovvisueel mat.: literatuur, dagboeken, sociale
mediaposts, websites, e-mailverkeer, foto, film, …
3. FASEN (THEMATISCHE) ANALYSE
III.1 GRONDIG KENNISMAKING MET DATA
1) Uittypen interviews, focusgroepen, opnames
Tijdsintensief!
Leert als onderzoeker data kennen
Uitbesteed (transcriptionists, AI, …)
2) Herlezen + doorlezen (als zelf niet alle data verzamelde):
Letterlijk, interpretatief, reflexief (hoe als onderzoeker invloed op
mat.?)
III.2 AFBRAAKFASE: OPEDELEN + OPEN CODEREN
1) Opdelen:
= Opdelen in betekenisvolle eenheden zinsdelen, zinnen (bepaald onderwerp
behandelen)
2) Open coderen
= categoriseren, labelen: fragmenten naam toekennen
Vooraf geformuleerde codes (literatuur, experten, eigen kennis, …
bevraagd tijdens dataverzameling)
Nieuwe, gewijzigde codes
Nieuwe onverwachte onderwerpen aan bod
Codes breder/anders dan verwacht wijzigen
Digitale software kwalitatieve analyse voordelen:
I. Alle digitale bestanden op 1 plek bewaren + bewerken
II. Codes kan flexibel aangepast + veranderingen doorgevoerd in alle
relevante fragmenten (tijd winnen)
III. Eenvoudig oproepen v/ fragmenten die vasthangen aan bepaalde codes
IV. Tellen + opzoeken v/ bepaalde codes, woorden, zinnen, memo’s
V. Visualisatie + weergave tabellen v/ aantal codes
VI. AI-assistent (??)
!! Software administratieve ondersteuning, overzicht, tijdswinst,
efficiëntie
MAAR inhoudelijk, creatief interpreteren/denkwerk onderzoeker zelf !!
Richtvragen open coderen:
2
