Kurs dla mentora w sektorze eko-przemysłu

Dane jakościowe mają zazwyczaj formę tekstową. Analiza danych jakościowych dzieli się na cztery główne etapy, opisane poniżej.

• Przegląd danych
  Przed przeprowadzeniem analizy danych należy przeczytać i zrozumieć zebrane dane, usunąć dane niejasne/brakujące/niewystarczające i uzyskać jasność, przed zakodowaniem danych.
• Organizacja danych
  Zorganizuj dane w sposób, który ułatwia odwołanie, np. organizacja danych według rodzaju pytania lub rodzaju respondenta, lub obydwa.
• Kodowanie danych
  Są dwie podstawowe metody kodowania. Można użyć jednej z nich lub obu:

• • Kodowanie otwarte – Gdy przypisuje się kody na podstawie tego, co wynika z danych.
  • Kodowanie zamknięte – Gdy już ma się wcześniej przygotowane kody na podstawie pytań, na które chce się odpowiedzieć.

Kodowanie to proces łączenia danych w tematy, idee i kategorie, a następnie zaznaczanie podobnych ustępów tekstu etykieta kodu, aby można je było łatwo znaleźć na etapie późniejszym w celu dalszego porównania i analizy. Kodowanie danych ułatwia wyszukiwanie danych, porównywanie i identyfikację wzorców wymagających dalszego badania.

• Identyfikacja i generowanie tematów
  Po zakodowaniu danych, można zacząć identyfikować tematy pochodzące z zakodowanych informacji. To może być trudne, gdyż może wymagać wielokrotnego odzyskiwania zakodowanego tekstu, aby określić temat, który odpowiednio odzwierciedla dane. Przydatne jest też przedstawianie egzemplarzy stwierdzeń i obserwacji wspierających temat oraz, w celu uchwycenia tego, jak silny jest dany temat, można zgłaszać liczbę i procent zakodowanych odpowiedzi, wspierających dany temat.

Interpretacja wyników
Kolejny krok uwzględnia porównywanie rezultatów z oczekiwanymi wynikami, oryginalnymi pytaniami do ewaluacji, celami i zamierzeniami programu oraz obecną najnowocześniejsza wiedzą (np. badania na temat programów mentoringu). Niektóre pytania kierujące interpretacją to:

• Czy któreś ze zidentyfikowanych trendów lub wzorców były niespodziewane?
• Jakie czynniki mogą wyjaśniać odchylenia?
• Jeżeli zebrałeś dane ilościowe i jakościowe, czy wyniki jakościowe wspierają wyniki ilościowe? Jeżeli nie, jakie czynniki mogą wyjaśniać różnice (np. próbkowanie, sposób zadawania pytań w ankiecie w porównaniu z wywiadami itp.)?
• Czy jakieś ciekawe wzorce wynikają z odpowiedzi?
• Czy rezultaty sugerują zalecenia względem ulepszenia programu?
• Czy rezultaty prowadzą do dodatkowych pytań na temat programu? Czy sugerują, że potrzebne mogą być dane dodatkowe?
• Czy następnym razem trzeba zmienić sposób zbierania danych?

Starając się zrozumieć dane, rób to w sposób przemyślany. Nie śpiesz się z wnioskami lub założeniami na temat tego, co uczestnicy mieli na myśli.
Angażowanie innych osób (np. personelu programu) do dyskusji nad tym, co oznaczają wyniki może pomóc w zrozumieniu danych.