تحلیل موضوعی روشی برای تجزیه و تحلیل داده‌های کیفی است. معمولاً برای مجموعه‌ای از متون، مانند مصاحبه یا رونوشت استفاده می‌شود. محقق داده‌ها را از نزدیک بررسی می‌کند تا مضامین مشترک – موضوعات، ایده‌ها و الگوهای معنایی که مکرراً مطرح می‌شوند را شناسایی کند.
روش‌های مختلفی برای انجام تحلیل موضوعی وجود دارد، اما رایج‌ترین آن از یک فرآیند شش مرحله‌ای پیروی می‌کند: آشنایی، کدگذاری، تولید مضامین، بررسی مضامین، تعریف و نامگذاری مضامین و نوشتن. پیروی از این فرآیند همچنین می‌تواند به شما در جلوگیری از سوگیری کمک کند. این فرآیند در ابتدا برای تحقیقات روانشناسی توسط ویرجینیا براون و ویکتوریا کلارک انجام شد. با این حال، تجزیه و تحلیل موضوعی یک روش انعطاف‌پذیر است که می‌تواند با بسیاری از انواع مختلف تحقیق تطبیق داده شود.
زمان استفاده از تحلیل موضوعی
تجزیه و تحلیل موضوعی رویکرد خوبی برای تحقیق است که در آن سعی می‌کنید از مجموعه‌ای از داده‌های کیفی چیزی در مورد دیدگاه‌ها، نظرات، دانش، تجربیات یا ارزش‌های افراد بیابید – به عنوان مثال، متن مصاحبه، نمایه‌های رسانه‌های اجتماعی، یا پاسخ‌های نظرسنجی
برخی از انواع سؤالات پژوهشی که ممکن است از تحلیل موضوعی برای پاسخ به آنها استفاده کنید:
- درک بیماران از پزشکان در یک بیمارستان چگونه است؟
- تجربیات زنان جوان در سایت‌های همسریابی چیست؟
- ایده‌ها و نظرات غیرمتخصصان در مورد تغییرات آب و هوا چیست؟
- جنسیت در تدریس تاریخ دبیرستان چگونه ساخته می شود؟
برای پاسخ به هر یک از این سوالات، داده‌ها را از گروهی از شرکت‌کنندگان مرتبط جمع‌آوری کرده و سپس آنها را تجزیه و تحلیل کنید. تجزیه و تحلیل موضوعی به شما امکان انعطاف پذیری زیادی را در تفسیر داده‌ها می دهد و به شما این امکان را می دهد که با دسته‌بندی آنها در موضوعات گسترده، راحت تر به مجموعه داده‌های بزرگ نزدیک شوید.
با این حال، خطر از دست‌دادن تفاوت های ظریف در داده‌ها را نیز وجود دارد. تجزیه و تحلیل موضوعی اغلب کاملاً ذهنی است و به قضاوت محقق متکی است، بنابراین شما باید به دقت در انتخاب ها و تفسیرهای خود تأمل کنید. به داده‌ها توجه زیادی داشته‌باشید تا اطمینان حاصل کنید که چیزهایی را که وجود ندارند – یا چیزهایی را که هستند پنهان نمی کنید.
رویکردهای مختلف به تحلیل‌موضوعی
هنگامی که تصمیم به استفاده از تحلیل موضوعی گرفتید، رویکردهای مختلفی برای بررسی وجود دارد.
بین رویکردهای استقرایی و قیاسی تفاوت وجود دارد:
- یک رویکرد استقرایی شامل اجازه‌دادن به داده‌ها برای تعیین مضامین شما است.
- یک رویکرد قیاسی شامل رسیدن به داده‌ها با برخی مضامین از پیش تعیین‌شده است که انتظار دارید بر اساس تئوری یا دانش موجود در آنجا منعکس شوند.
از خود بپرسید: آیا چارچوب نظری من، به من ایده قوی درباره نوع موضوعاتی که انتظار دارم در داده‌ها (قیاسی) بیابم، به من می دهد، یا آیا قصد دارم چارچوب خود را بر اساس آنچه می‌یابم (استقرایی) ایجاد کنم؟
همچنین تفاوت بین رویکرد معنایی و نهفته وجود دارد:
- یک رویکرد معنایی شامل تجزیه و تحلیل محتوای صریح داده‌ها است.
- یک رویکرد پنهان شامل خواندن مفروضات زیربنای داده‌ها است.
از خود بپرسید: آیا من به نظرات بیان‌شده افراد (معنای) یا به آنچه اظهارات آنها در مورد مفروضات و زمینه اجتماعی آنها آشکار می کند، علاقه‌مند هستم ؟
پس از اینکه به این نتیجه رسیدید که تحلیل موضوعی روش مناسبی برای تجزیه و تحلیل داده‌های شماست، و به رویکردی که می‌خواهید در پیش بگیرید فکر کردید، می‌توانید شش مرحله توسعه‌یافته توسط براون و کلارک را دنبال کنید.
مرحله 1: آشنایی
اولین قدم این است که اطلاعات خود را بشناسیم. مهم است که قبل از شروع به تجزیه و تحلیل موارد جداگانه، یک نمای کلی از تمام داده‌هایی که جمع آوری کرده‌ایم داشته باشیم. این ممکن است شامل رونویسی صدا، خواندن متن و یادداشت برداری اولیه و به طور کلی بررسی داده‌ها برای آشنایی با آن باشد.
مرحله 2: کدنویسی
در مرحله بعد، باید داده‌ها را کدگذاری کنیم.کدنویسی به معنای برجسته‌کردن بخش‌هایی از متن – معمولاً عبارات یا جملات – و ارائه برچسب‌های مختصر یا “کد” برای توصیف محتوای آنها است.
بیایید یک متن مثال کوتاه بیاوریم. فرض کنید که در حال تحقیق بر روی برداشت‌های مربوط به تغییرات اقلیمی در میان رای‌دهندگان محافظه‌کار 50 ساله و بالاتر هستیم و داده‌هایی را از طریق یک سری مصاحبه جمع‌آوری کرده‌ایم. گزیده‌ای از یک مصاحبه به این صورت است:
کدگذاری داده‌های کیفی
| خروجی مصاحبه | کدها |
| شخصاً مطمئن نیستم. من فکر می کنم آب و هوا در حال تغییر است، مطمئنا، اما من نمی‌دانم چرا یا چگونه. مردم می گویند باید به کارشناسان اعتماد کرد، اما چه کسی می تواند بگوید که آنها دلایل خاص خود را برای پیشبرد این روایت ندارند؟ من می‌گویم آنها اشتباه می کنند، فقط می گویم دلایلی وجود دارد که 100٪ به آنها اعتماد نکنید. واقعیت ها مدام در حال تغییر هستند قبلاً به آن گرم شدن کره زمین می گفتند. |
عدم قطعیت تصدیق تغییرات اقلیمی بی اعتمادی به کارشناسان تغییر اصطلاحات |
هر کد ایده یا احساس بیان‌شده در آن قسمت از متن را توصیف می کند. در این مرحله، ما می‌خواهیم کامل باشیم: متن هر مصاحبه را مرور می‌کنیم و هر چیزی را که مرتبط یا بالقوه جالب است برجسته می‌کنیم. علاوه بر برجسته‌کردن تمام عبارات و جملاتی که با این کدها مطابقت دارند، می‌توانیم همچنان به افزودن کدهای جدید در متن ادامه دهیم.
پس از بررسی متن، تمام داده‌ها را در گروه هایی که با کد مشخص شده‌اند جمع آوری می کنیم. این کدها به ما این امکان را می دهند که یک نمای کلی فشرده از نکات اصلی و معانی رایجی که در سراسر داده تکرار می شوند به دست آوریم.
مرحله 3: ایجاد تم
در مرحله بعد، کدهایی را که ایجاد کرده‌ایم بررسی می‌کنیم، الگوهایی را در میان آنها شناسایی می‌کنیم و با مضامین شروع می‌کنیم. تم ها عموماً گسترده تر از کدها هستند. بیشتر اوقات، چندین کد را در یک موضوع واحد ترکیب می‌کنید. در مثال ما، ممکن است شروع به ترکیب کدها در تم هایی مانند زیر باشد.
تبدیل کدها به تم
| کدها | تم |
|
عدم قطعیت آن را به متخصصان بسپارید. توضیحات جایگزین |
عدم قطعیت |
|
تغییر اصطلاحات بی اعتمادی به دانشمندان رنجش نسبت به کارشناسان ترس از کنترل دولت |
بی اعتمادی به کارشناسان |
|
حقایق نادرست درک نادرست از علم منابع رسانه ای مغرضانه |
اطلاعات غلط |
در این مرحله، ممکن است تصمیم بگیریم که برخی از کدهای ما خیلی مبهم هستند یا به اندازه کافی مرتبط نیستند (مثلاً چون اغلب در داده‌ها ظاهر نمی‌شوند)، بنابراین می‌توان آنها را دور انداخت. سایر کدها ممکن است به خودی خود به تم تبدیل شوند. در مثال ما، تصمیم گرفتیم که کد “عدم قطعیت” به عنوان یک موضوع معنی داشته باشد، با برخی کدهای دیگر در آن گنجانده شده است.
باز هم، چیزی که ما تصمیم می گیریم با توجه به آنچه که در تلاش برای یافتن آن هستیم متفاوت خواهد بود. ما می‌خواهیم مضامین بالقوه‌ای ایجاد کنیم که در مورد داده‌ها برای اهدافمان چیز مفیدی به ما بگوید.
مرحله 4: بررسی تم ها
اکنون باید مطمئن شویم که مضامین ما بازنمایی مفید و دقیق داده‌ها هستند. در اینجا، ما به مجموعه داده برمی گردیم و مضامین خود را با آن مقایسه می کنیم. آیا چیزی را از دست داد‌ه‌ایم؟ آیا این مضامین واقعاً در داده ها وجود دارد؟ چه چیزی را می توانیم تغییر دهیم تا تم‌هایمان بهتر عمل کنند؟
اگر با مشکلاتی در زمینه تحلیل موضوعی خود مواجه شویم، ممکن است آنها را تقسیم کنیم، ترکیب کنیم، آنها را دور بیندازیم یا موارد جدیدی ایجاد کنیم: هر چیزی که آنها را مفیدتر و دقیق‌تر کند.
برای مثال، ممکن است با بررسی داده‌ها تصمیم بگیریم که «تغییر اصطلاحات» با موضوع «عدم قطعیت» بهتر از «بی اعتمادی به متخصصان» تطبیق می‌کند، زیرا داده‌های برچسب‌گذاری شده با این کد مستلزم سردرگمی است، نه لزوماً بی‌اعتمادی.
مرحله 5: تعریف و نامگذاری تم ها
اکنون که فهرست نهایی تم ها را دارید، وقت آن است که هر یک از آنها را نام ببرید و تعریف کنید. تعریف مضامین مستلزم فرمول بندی دقیقاً منظور ما از هر موضوع و فهمیدن اینکه چگونه به ما در درک داده‌ها کمک می کند. نامگذاری مضامین شامل ارائه یک نام مختصر و قابل درک برای هر موضوع است.
برای مثال، ممکن است به «بی اعتمادی به متخصصان» نگاه کنیم و دقیقاً منظورمان از «متخصصان» در این موضوع را مشخص کنیم. ممکن است تصمیم بگیریم که نام بهتری برای موضوع «بی اعتمادی به قدرت» یا «تفکر توطئه» باشد.
مرحله 6: نوشتن
در نهایت، ما تجزیه و تحلیل خود را از داده‌ها می نویسیم. مانند همه متون دانشگاهی، نوشتن یک تحلیل موضوعی نیاز به مقدمه‌ای برای تعیین سؤال، اهداف و رویکرد تحقیق ما دارد. ما همچنین باید یک بخش روش شناسی قرار دهیم که نحوه جمع آوری داده‌ها را شرح دهد (مثلاً از طریق مصاحبه‌های نیمه‌ساختاریافته یا سؤالات نظرسنجی باز) و توضیح دهد که چگونه خود تحلیل موضوعی را انجام دادیم.
بخش نتایج یا یافته‌ها معمولاً به نوبه خود به هر موضوع می پردازد. ما توضیح می‌دهیم که هر چند وقت یک‌بار مضامین مطرح می‌شوند و معنی آنها چیست، از جمله مثال‌هایی از داده‌ها به عنوان مدرک. در نهایت، نتیجه‌گیری ما نکات اصلی را توضیح می دهد و نشان می دهد که چگونه تجزیه و تحلیل به سؤال تحقیق ما پاسخ داده‌است.
در مثال ما، ممکن است استدلال کنیم که تفکر توطئه‌ای درباره تغییرات آب و هوایی در میان رای‌دهندگان محافظه‌کار مسن‌تر گسترده است، به عدم اطمینانی که بسیاری از رأی‌دهندگان به این موضوع نگاه می‌کنند اشاره کنیم، و درباره نقش اطلاعات نادرست در ادراک پاسخ‌دهندگان بحث کنیم.
