MEHTODOLOGIE 3
1. Data - analyse
Er zijn verschillende manieren om aan data-analyse te doen, maar wij gaan ons toespitsen op eentje.
1.1 Gemeenschappelijke structuur in kwalitatieve analyse
Er zijn een aantal fasen die terugkomen in de meeste analytische benaderingen. We gaan dit steeds
specifieker en concreter gaan bekijken.
Fase 1: Klaarmaken van het materiaal, dit is het begin van elke datanalyse. (digitaliseren, bijvoorbeeld
het transcriberen van een interview.
Fase 2: Databeheer en eerste lezing transcripten, dit is het organiseren.
Fase 3: Afbreken: Data opsplitsen en niet relevante data wegfilteren.
-Bijvoorbeeld: metafoor van analyse van archeologische site: Beginnen te graven & die
beginnen dingen te vinden, maar vervolgens gaan ze al die verschillende stukken verspreiden
(transcripties in stukken knippen).
Fase 4: Opbouwen: Data verbinden en aggregeren met als resultaat eerst concepten en thema’s en
daarna soms theorieën. -Bijvoorbeeld: Stukjes van een pot allemaal samenlegging, zodat je
tot een soort van geheel komt.
=Fase 3 & 4 horen eigenlijk een beetje samen.
Fase 5: Rapporteren: Thesis schrijven, doctoraat schrijven, etc. etc.
1.2 Enkele alternatieve analytische benaderingen
1.Narratieve analyse : Focus op de formele structuur van een boodschap, de structuur vh verhaal:
niet enkel de sequens van de gebeurtenissen, maar ook hoe het verteld wordt (de ‘plot’ van het
verhaal). Dit lijkt sterk op conversatieanalyse.
-Vb - Interview van jongeren die een geweldsdelict gepleegd hebben: In de manier waarop
die dit verhaal verteld, zit er een zekere structuur & andere jongeren doen dit mogelijks op
een andere manier of zij doen het misschien op dezelfde manier. Vervolgens kun je die
verschillende structuren met elkaar vergelijken.
2.Kwalitatieve inhoudsanalyse: coderen en interpreteren van inhouden van teksten, dus niet echt
over interviewtranscripten. Het is in elk geval meer dan louter tellen van inhouden (i.e. kwantitatieve
inhoudsanalyse). Hoe dit gebeurt varieert echter heel erg.
3.(Kritische) discoursanalyse: Focus op hoe taal betekenissen creëert en zo de werkelijkheid
construeert (zie latere les).
4.Interpretatieve (fenomenologische) analyse: Concrete analytische aanpak lijkt sterk op grounded
theory. De manier waarop dat mensen zelf betekenis geven aan hun eigen gedrag, hoer verklaren ze
hun eigen gedrag, dus niet zozeer wat is het verhaal, maar hoe verklaren ze dit verhaal. Centrale
onderzoeksvraag: Hoe geven mensen betekenis aan hun omgeving?
5.Thematische analyse: Je gaat opzoek naar thema’s of betekeniseenheden (gewoon kijken wat er
aan bod komt, zonder echt verbanden ofzo te gaan leggen of theoretische kaders aan gaat
verbinden). Lijkt op grounded theory, maar dan met veel minder theoretische ambities: We gaan
,wel open en axiaal coderen, maar nauwelijks selectief coderen & we gaan wel thema’s identificeren,
maar nauwelijks op zoek gaan naar hun onderlinge samenhang.
-Templateanalyse: één bepaalde benadering van thematische analyse met veel nadruk op
deductief gebruik van een codeschema.
1.3 Grounded Theory
Dit is de gekozen benadering in deze cursus, namelijk volgens Glaser & Strauss. Dit wordt vaak
gebruikt in de praktijk, wij gaan een interpretatie hanteren aangevuld met de analysemethode van
Miles & Huberman. Zij leggen de nadruk op het gebruik van grafische voorstellingen.
1.3.1De verhouding inductie/deductie bij grounded theory
De nadruk ligt op de inductieve weg (onbevangen naar de praktijk gaan & van hieruit theorie
ontwikkelen), soort van analytische inductie: Vertrekken van de specifieke observaties en op basis
daarvan komen tot een theorie over concepten en, vooral, hun onderlinge verbanden.
Maar ook deductieve aspecten (je mag dus wel al een soort van concepten vooraf), zoals
bijvoorbeeld de theoretische steekproeftrekking, het gebruiken van “sensitizing concepts” uit de
literatuur, de onderzoeker moet een “theoretische gevoeligheid” hebben. Dit is deels een
persoonlijk talent & kan deels geleerd worden door een goede theoretische opleiding.
=Onze benadering: bijkomende nadruk op deductie, bijvoorbeeld met een grote nadruk op een
conceptueel kader.
1.4 Fasering van de analyse
Analyse is een cyclisch proces op twee plaatsen in onderzoek:
1.Bij steekproeftrekkingen, bijvoorbeeld: Afnemen van enkele interviews, Analyse van interviews,
Aanpassing van topiclijst (meer gefocust), Bijkomende interviews, Analyse van interviews, etc.
2.Bij de analyse zelf: Je doet aan voortdurende vergelijking waarbij je de tussentijdse conclusies in
vraag gaat stellen (op zoek gaan naar falsificatie) door opnieuw naar de data te kijken. Vervolgens
kom je tot een conclusie:
-Ofwel bevestiging van de theorie, ofwel geen bevestiging: mogelijks falsificatie (hele
onderzoek afbreken, want het klopt niet), maar meestal nuance: het werkt maar in bepaalde
omstandigheden (meestal)/
=Dit is een proces van afbreken en opbouwen.
Glaser & Strauss zeggen je moet data analyse doen op drie manieren: We gaan hier concreet
opbouwen & afbreken.
1.Open coderen is het opdelen van gegevens in kleinere delen die relevant zijn voor de
onderzoeksvraag, vervolgens ga je codes toekennen aan die delen.
-Fragment uitknippen uit interview & bijvoorbeeld onderverdelen in 2 stapels:
studentenervaringen & docentenervaringen, dit kun je vervolgens nog onderverdelen in
subcat (axiaal coderen)
-Heel open zonder nog veel uitgewerkte dingen.
,2.Axiaal coderen is het verbinden van losse codes tot een geheel (rond centrale assen of “axissen”).
Hier gaan we focussen op centrale concepten. = Organiseren van de verschillende stapeltjes.
-Hier gaan we nog eens door de data, maar in de vorm van de stapeltjes om dan vervolgens
te gaan onderverdelen in 2 aparte dingen of verschillende stapels samenvoegen, etc.
-Je gaat nadenken over de verbanden tussen de verschillende concepten & zo verder kijken.
3.Selectief coderen hier gaan we de concepten met elkaar in verband brengen tot een theorie,
bijvoorbeeld: Welke processen leiden tot welke uitkomst? Vaak wordt hier 1 concept tot “centrale
categorie” gekozen. Er kan ook gesproken worden over afhankelijke en onafhankelijke variabelen.
-Wat is nu eigenlijk de globale structuur, wat is het verhaal, wat is de rode lijn, is er hier een
soort proces dat ontstaat, etc? Tot je uiteindelijk tot een soort van theorie komt,
bijvoorbeeld hoe heeft deze opleiding een impact gehad?
1.5 Theoretisch model: Hoe pak je dit concreet aan volgens de theorie (de ideale situatie)
1.Onderzoek opzetten: onderzoeksvraag en onderzoeksdesign 2.Open data verzamelen
3.Open coderen 4.Verder axiaal coderen 5.Meer gerichte data verzamelen
6.Open coderen 7.Verder axiaal coderen
8.(Verder herhalingen van voorgaande cyclus) 9.Selectief coderen
10.Eventueel zeer gerichte data verzamelen 11.Rapporteren
=Dit is meestal niet hoe het gaat in de praktijk.
1.6 Praktijkmodel: Vaak gebruikt praktijkmodel
1.Onderzoek opzetten: onderzoeksvraag en onderzoeksdesign 2.Data verzamelen
3.Analyseren 4.Rapporteren
Aangepast praktijkmodel: zoals theoretisch model maar dan op subsets van de data i.p.v. op nieuwe
data
2.Overzicht: In detail alle stappen bespreken.
2.1 Kwalitatief databeheer
Bij kwantitatief onderzoek: Opmaken database, data cleanen, duidelijk codeboek, logboek voor de
analyses etc. Het is belangrijk dat je je data op een goede manier beheert.
Ook belangrijk bij kwalitatief onderzoek (het heeft een mindere traditie dan in kwantitiatief
onderzoek): klasseren en indiceren van kwalitatieve data, bijvoorbeeld ruwe data, zoals veldnotities,
documenten, interviews in digitale vorm,etc. of gedeeltelijk verwerkte data: interviewtranscripts,
digitaal verwerkte veldnotities.
-Maar ook gecodeerde data: gecodeerde transcripts
-Codeerschema’s (per fase in het onderzoek) -Memo’s -Zoekacties
-Analyseschema’s -Proefversies van een eindrapport.
-Logboek: chronologisch overzicht van dataverzameling en –analyse: heel belangrijk!
, -Index van al het voorgaande
=Beheer kan m.b.v. tekstverwerking of softwarepakketten voor kwalitatieve data-analyse (bv. NVivo)
2.2Softwarepakketten voor kwalitatieve data-analyse: Hulpmiddel zoals NVIVO
Bieden hulpmiddelen en ondersteuning voor kwalitatieve data-analyse, maar doet niet de volledige
analyse voor jou (Jij moet nog steeds strategieën voor data-analyse leren), dit is anders dan bij
kwantitatief onderzoek (daar doet SPSS alles voor jou).
Data-analyse met de hulp van een softwarepakket heeft een aantal voordelen:
-Consistentie: je gaat consistenter zijn in het coderen.
-Snelheid: Sneller dan werken met Excel.
-Representatie: je kunt verschillende soorten data analyseren
-Consolidering: alles op één plaats.
Het heeft echter ook nadelen, zoals bijvoorbeeld de financiële kost, de tijdsinvestering om het pakket
te oefenen of een risico op te sterke focus op fragmenten en te weinig op context (dit is geen
nadeel van Nvivo, maar eigenlijk gewoon van coderen zelf.
2.3 Eerste kennismaking met het materiaal
Indien je de data zelf verzameld hebt & uitgeschreven heb je een voorsprong. Indien dit niet het
geval is is het belangrijk om eerst te beginnen doorlezen & niet meteen beginnen coderen.
-Bekijk het interview in zijn geheel, want dat globaal zicht kan immers verminderen bij het
coderen.
Drie manieren van doorlezen:
1.Letterlijk lezen: focus op woorden, voortgang in het gesprek, sequentie van gebeurtenissen,
etc.
-Gaan wij niet echt doen in deze cursus.
2.Interpretatief lezen: dieper kijken naar de betekenis, tegen achtergrond van conceptueel
kader.
-Houd een logboek naast je om ideeën op te schrijven in je boek, maakt niet uit dat
dit niet heel proper is.
-Dit is de belangrijkste vorm & wat wij eerder gaan doen.
3.Reflexief lezen: aandacht voor de eigen rol bij het tot stand komen van het materiaal
-Je gaat hier eerder methodologisch kijken doormiddel van methodologische memo’s.
Gaat eerder over de kwaliteit van je data (vraag te suggestief, etc, etc?).
Typische onzekerheden bij de eerste kennismaking met het materiaal
1.“Alles is belangrijk”; “hoe vind ik de juiste weg?”: Belangrijk om te weten is dat er geen juiste weg
is. Het is echter wel belangrijk dat je transparant bent & die keuze goed beargumenteerd van hoe &
waarom je gaat analyseren. Daarnaast moet de analyse ook effectief ondersteunend is door de data.
1. Data - analyse
Er zijn verschillende manieren om aan data-analyse te doen, maar wij gaan ons toespitsen op eentje.
1.1 Gemeenschappelijke structuur in kwalitatieve analyse
Er zijn een aantal fasen die terugkomen in de meeste analytische benaderingen. We gaan dit steeds
specifieker en concreter gaan bekijken.
Fase 1: Klaarmaken van het materiaal, dit is het begin van elke datanalyse. (digitaliseren, bijvoorbeeld
het transcriberen van een interview.
Fase 2: Databeheer en eerste lezing transcripten, dit is het organiseren.
Fase 3: Afbreken: Data opsplitsen en niet relevante data wegfilteren.
-Bijvoorbeeld: metafoor van analyse van archeologische site: Beginnen te graven & die
beginnen dingen te vinden, maar vervolgens gaan ze al die verschillende stukken verspreiden
(transcripties in stukken knippen).
Fase 4: Opbouwen: Data verbinden en aggregeren met als resultaat eerst concepten en thema’s en
daarna soms theorieën. -Bijvoorbeeld: Stukjes van een pot allemaal samenlegging, zodat je
tot een soort van geheel komt.
=Fase 3 & 4 horen eigenlijk een beetje samen.
Fase 5: Rapporteren: Thesis schrijven, doctoraat schrijven, etc. etc.
1.2 Enkele alternatieve analytische benaderingen
1.Narratieve analyse : Focus op de formele structuur van een boodschap, de structuur vh verhaal:
niet enkel de sequens van de gebeurtenissen, maar ook hoe het verteld wordt (de ‘plot’ van het
verhaal). Dit lijkt sterk op conversatieanalyse.
-Vb - Interview van jongeren die een geweldsdelict gepleegd hebben: In de manier waarop
die dit verhaal verteld, zit er een zekere structuur & andere jongeren doen dit mogelijks op
een andere manier of zij doen het misschien op dezelfde manier. Vervolgens kun je die
verschillende structuren met elkaar vergelijken.
2.Kwalitatieve inhoudsanalyse: coderen en interpreteren van inhouden van teksten, dus niet echt
over interviewtranscripten. Het is in elk geval meer dan louter tellen van inhouden (i.e. kwantitatieve
inhoudsanalyse). Hoe dit gebeurt varieert echter heel erg.
3.(Kritische) discoursanalyse: Focus op hoe taal betekenissen creëert en zo de werkelijkheid
construeert (zie latere les).
4.Interpretatieve (fenomenologische) analyse: Concrete analytische aanpak lijkt sterk op grounded
theory. De manier waarop dat mensen zelf betekenis geven aan hun eigen gedrag, hoer verklaren ze
hun eigen gedrag, dus niet zozeer wat is het verhaal, maar hoe verklaren ze dit verhaal. Centrale
onderzoeksvraag: Hoe geven mensen betekenis aan hun omgeving?
5.Thematische analyse: Je gaat opzoek naar thema’s of betekeniseenheden (gewoon kijken wat er
aan bod komt, zonder echt verbanden ofzo te gaan leggen of theoretische kaders aan gaat
verbinden). Lijkt op grounded theory, maar dan met veel minder theoretische ambities: We gaan
,wel open en axiaal coderen, maar nauwelijks selectief coderen & we gaan wel thema’s identificeren,
maar nauwelijks op zoek gaan naar hun onderlinge samenhang.
-Templateanalyse: één bepaalde benadering van thematische analyse met veel nadruk op
deductief gebruik van een codeschema.
1.3 Grounded Theory
Dit is de gekozen benadering in deze cursus, namelijk volgens Glaser & Strauss. Dit wordt vaak
gebruikt in de praktijk, wij gaan een interpretatie hanteren aangevuld met de analysemethode van
Miles & Huberman. Zij leggen de nadruk op het gebruik van grafische voorstellingen.
1.3.1De verhouding inductie/deductie bij grounded theory
De nadruk ligt op de inductieve weg (onbevangen naar de praktijk gaan & van hieruit theorie
ontwikkelen), soort van analytische inductie: Vertrekken van de specifieke observaties en op basis
daarvan komen tot een theorie over concepten en, vooral, hun onderlinge verbanden.
Maar ook deductieve aspecten (je mag dus wel al een soort van concepten vooraf), zoals
bijvoorbeeld de theoretische steekproeftrekking, het gebruiken van “sensitizing concepts” uit de
literatuur, de onderzoeker moet een “theoretische gevoeligheid” hebben. Dit is deels een
persoonlijk talent & kan deels geleerd worden door een goede theoretische opleiding.
=Onze benadering: bijkomende nadruk op deductie, bijvoorbeeld met een grote nadruk op een
conceptueel kader.
1.4 Fasering van de analyse
Analyse is een cyclisch proces op twee plaatsen in onderzoek:
1.Bij steekproeftrekkingen, bijvoorbeeld: Afnemen van enkele interviews, Analyse van interviews,
Aanpassing van topiclijst (meer gefocust), Bijkomende interviews, Analyse van interviews, etc.
2.Bij de analyse zelf: Je doet aan voortdurende vergelijking waarbij je de tussentijdse conclusies in
vraag gaat stellen (op zoek gaan naar falsificatie) door opnieuw naar de data te kijken. Vervolgens
kom je tot een conclusie:
-Ofwel bevestiging van de theorie, ofwel geen bevestiging: mogelijks falsificatie (hele
onderzoek afbreken, want het klopt niet), maar meestal nuance: het werkt maar in bepaalde
omstandigheden (meestal)/
=Dit is een proces van afbreken en opbouwen.
Glaser & Strauss zeggen je moet data analyse doen op drie manieren: We gaan hier concreet
opbouwen & afbreken.
1.Open coderen is het opdelen van gegevens in kleinere delen die relevant zijn voor de
onderzoeksvraag, vervolgens ga je codes toekennen aan die delen.
-Fragment uitknippen uit interview & bijvoorbeeld onderverdelen in 2 stapels:
studentenervaringen & docentenervaringen, dit kun je vervolgens nog onderverdelen in
subcat (axiaal coderen)
-Heel open zonder nog veel uitgewerkte dingen.
,2.Axiaal coderen is het verbinden van losse codes tot een geheel (rond centrale assen of “axissen”).
Hier gaan we focussen op centrale concepten. = Organiseren van de verschillende stapeltjes.
-Hier gaan we nog eens door de data, maar in de vorm van de stapeltjes om dan vervolgens
te gaan onderverdelen in 2 aparte dingen of verschillende stapels samenvoegen, etc.
-Je gaat nadenken over de verbanden tussen de verschillende concepten & zo verder kijken.
3.Selectief coderen hier gaan we de concepten met elkaar in verband brengen tot een theorie,
bijvoorbeeld: Welke processen leiden tot welke uitkomst? Vaak wordt hier 1 concept tot “centrale
categorie” gekozen. Er kan ook gesproken worden over afhankelijke en onafhankelijke variabelen.
-Wat is nu eigenlijk de globale structuur, wat is het verhaal, wat is de rode lijn, is er hier een
soort proces dat ontstaat, etc? Tot je uiteindelijk tot een soort van theorie komt,
bijvoorbeeld hoe heeft deze opleiding een impact gehad?
1.5 Theoretisch model: Hoe pak je dit concreet aan volgens de theorie (de ideale situatie)
1.Onderzoek opzetten: onderzoeksvraag en onderzoeksdesign 2.Open data verzamelen
3.Open coderen 4.Verder axiaal coderen 5.Meer gerichte data verzamelen
6.Open coderen 7.Verder axiaal coderen
8.(Verder herhalingen van voorgaande cyclus) 9.Selectief coderen
10.Eventueel zeer gerichte data verzamelen 11.Rapporteren
=Dit is meestal niet hoe het gaat in de praktijk.
1.6 Praktijkmodel: Vaak gebruikt praktijkmodel
1.Onderzoek opzetten: onderzoeksvraag en onderzoeksdesign 2.Data verzamelen
3.Analyseren 4.Rapporteren
Aangepast praktijkmodel: zoals theoretisch model maar dan op subsets van de data i.p.v. op nieuwe
data
2.Overzicht: In detail alle stappen bespreken.
2.1 Kwalitatief databeheer
Bij kwantitatief onderzoek: Opmaken database, data cleanen, duidelijk codeboek, logboek voor de
analyses etc. Het is belangrijk dat je je data op een goede manier beheert.
Ook belangrijk bij kwalitatief onderzoek (het heeft een mindere traditie dan in kwantitiatief
onderzoek): klasseren en indiceren van kwalitatieve data, bijvoorbeeld ruwe data, zoals veldnotities,
documenten, interviews in digitale vorm,etc. of gedeeltelijk verwerkte data: interviewtranscripts,
digitaal verwerkte veldnotities.
-Maar ook gecodeerde data: gecodeerde transcripts
-Codeerschema’s (per fase in het onderzoek) -Memo’s -Zoekacties
-Analyseschema’s -Proefversies van een eindrapport.
-Logboek: chronologisch overzicht van dataverzameling en –analyse: heel belangrijk!
, -Index van al het voorgaande
=Beheer kan m.b.v. tekstverwerking of softwarepakketten voor kwalitatieve data-analyse (bv. NVivo)
2.2Softwarepakketten voor kwalitatieve data-analyse: Hulpmiddel zoals NVIVO
Bieden hulpmiddelen en ondersteuning voor kwalitatieve data-analyse, maar doet niet de volledige
analyse voor jou (Jij moet nog steeds strategieën voor data-analyse leren), dit is anders dan bij
kwantitatief onderzoek (daar doet SPSS alles voor jou).
Data-analyse met de hulp van een softwarepakket heeft een aantal voordelen:
-Consistentie: je gaat consistenter zijn in het coderen.
-Snelheid: Sneller dan werken met Excel.
-Representatie: je kunt verschillende soorten data analyseren
-Consolidering: alles op één plaats.
Het heeft echter ook nadelen, zoals bijvoorbeeld de financiële kost, de tijdsinvestering om het pakket
te oefenen of een risico op te sterke focus op fragmenten en te weinig op context (dit is geen
nadeel van Nvivo, maar eigenlijk gewoon van coderen zelf.
2.3 Eerste kennismaking met het materiaal
Indien je de data zelf verzameld hebt & uitgeschreven heb je een voorsprong. Indien dit niet het
geval is is het belangrijk om eerst te beginnen doorlezen & niet meteen beginnen coderen.
-Bekijk het interview in zijn geheel, want dat globaal zicht kan immers verminderen bij het
coderen.
Drie manieren van doorlezen:
1.Letterlijk lezen: focus op woorden, voortgang in het gesprek, sequentie van gebeurtenissen,
etc.
-Gaan wij niet echt doen in deze cursus.
2.Interpretatief lezen: dieper kijken naar de betekenis, tegen achtergrond van conceptueel
kader.
-Houd een logboek naast je om ideeën op te schrijven in je boek, maakt niet uit dat
dit niet heel proper is.
-Dit is de belangrijkste vorm & wat wij eerder gaan doen.
3.Reflexief lezen: aandacht voor de eigen rol bij het tot stand komen van het materiaal
-Je gaat hier eerder methodologisch kijken doormiddel van methodologische memo’s.
Gaat eerder over de kwaliteit van je data (vraag te suggestief, etc, etc?).
Typische onzekerheden bij de eerste kennismaking met het materiaal
1.“Alles is belangrijk”; “hoe vind ik de juiste weg?”: Belangrijk om te weten is dat er geen juiste weg
is. Het is echter wel belangrijk dat je transparant bent & die keuze goed beargumenteerd van hoe &
waarom je gaat analyseren. Daarnaast moet de analyse ook effectief ondersteunend is door de data.
