在定性数据中揭示主题可能是令人生畏和困难的。对定量研究的总结是相对清晰的:比方说,你的得分比竞争对手高出25%。但是你如何总结这些定性的观察结果呢?

在项目的早期阶段,通常会进行探索性研究。这项研究通常会产生大量的定性数据,包括:

定性态度数据,比如人们的想法、信仰和自我报告的需求,这些都是从用户访谈、焦点小组甚至日记研究中获得的

定性的行为数据,比如通过情境调查和其他人种学方法收集的对人们行为的观察

每个人都能做的主题分析,使定性数据的重要方面变得可见,并使揭示主题变得更容易。

什么是主题分析?

定义:主题分析是一种系统的方法,将定性研究的丰富数据进行分解和组织,通过用适当的代码标记个人观察和引用,以促进重大主题的发现。

顾名思义,主题分析包括发现主题

定义:主题

  • 是对信仰、实践、需求的描述,还是从数据中发现的另一种现象
  • 当相关发现在参与者或数据源中多次出现时出现

分析定性数据的挑战

许多研究人员感到不知所措的定性数据从探索性研究进行的项目的早期阶段。下表强调了一些常见的挑战和由此产生的问题。

挑战 产生的问题

数据量大:定性研究结果在长记录和广泛的领域笔记,可能是耗时阅读;你可能很难看到模式并记住什么是重要的。

肤浅的分析:分析通常是非常肤浅的,只是略过主题,只关注值得纪念的事件和引用,并遗漏了大量的注释。

丰富的数据:每个句子或段落都有很多细节。很难看出哪些细节是有用的,哪些是多余的。

分析变成了对许多细节的描述:分析只是重复参与者可能说过或做过的事情,而没有任何分析思考。

这与数据:有时来自不同参与者甚至是同一参与者的数据包含矛盾,研究人员必须弄清楚。

研究结果并不确定:分析是不确定的,因为参与者的反馈是相互冲突的,或者,更糟的是,不符合研究者信念的观点被忽略了。

没有为分析设定目标:由于研究人员很容易过于专注于细节,最初收集数据的目的就丧失了。 浪费时间和错误的分析:分析缺乏重点,研究报告的内容也不对。

如果没有某种形式的系统过程,在分析定性数据时很容易出现上述问题。主题分析使研究人员组织和集中,并给他们一个一般的过程,以遵循分析定性数据。

进行专题分析的工具和方法

主题分析可以通过许多不同的方式进行。这个过程的最佳工具或方法是根据以下因素确定的:

  • 数据
  • 数据分析阶段的上下文和约束
  • 研究人员的个人工作风格

3种常用方法包括:

  • 使用软件
  • 日记
  • 使用关联图技术

使用软件

为了分析大量的定性数据,定性研究人员经常使用CAQDAS(计算机辅助定性数据分析软件)软件,其发音为“cak∙das””。研究人员将文字记录和实地记录上传到一个软件程序中,然后通过正式编码系统地分析文本。该软件通过提供各种可视化工具(如单词树或单词云)来帮助发现主题,这些可视化工具允许以许多不同的方式操纵编码数据。

好处

  • 分析非常透彻。
  • 物理项目文件(包含原始数据和分析)可以与他人共享。(这种方法在学术机构的学生项目中很流行。)

缺点

  • 耗时,因为它导致许多代码需要压缩成一个小的、可管理的列表
  • 昂贵的
  • 很难与他人同步分析
  • 需要对软件有所了解
  • 能感觉到的限制

日记

在实践基础理论方法论的研究人员中,把你对一篇文章的思考过程和想法写下来是很常见的。作为主题分析的一种形式,日记是基于这种方法的,包括手工标注和突出数据,然后写下研究人员的想法和思考过程。这些笔记被称为备忘录不要与向员工传递消息的办公室备忘录混淆)。

好处

  • 这个过程鼓励通过写详细的笔记进行反思。
  • 研究人员有关于他们如何得出主题的记录。
  • 这种分析方法既便宜又灵活。

缺点

  • 很难合作

Affinity-Diagramming技术

这些数据被突出显示,经过物理或数字切割,重新组合成有意义的组,直到主题出现在物理或数字板上。(看到一个视频演示affinity-diagramming.)

好处

  • 可以合作完成吗
  • 快速达成主题
  • 廉价的和灵活的
  • 可视化的,并支持迭代分析过程

缺点

  • 不像其他方法那样彻底,因为文本片段通常不需要多次编码
  • 当数据变化很大,或者有很多数据时,很难做到

编码与编码

所有的主题分析方法都假设有一定数量的编码(不要与用编程语言编写程序相混淆)。

定义:一个代码作为文本段标签的单词或短语。

代码描述了文本的内容,是更复杂信息的简写。(一个很好的类比是,代码描述数据,就像关键词描述一篇文章或标签描述一条推文一样。)通常,定性研究人员不仅要为每个代码命名,而且还要对代码的含义进行描述,以及适合或不适合代码的文本示例。如果有多个人负责编码数据,或者编码需要较长时间,那么这些描述和示例就特别有用。

定义:编码指用适当的代码标记文本片段的过程。

一旦分配了代码,就很容易识别和比较大致相同的文本片段。这些代码使我们能够轻松地对信息进行排序,并分析数据以发现片段之间的相似性、差异和关系。然后我们就可以对基本主题有一个理解。

对定性数据进行可视化编码可以生成代码,对代码进行迭代比较可以生成主题。
主题分析首先要对定性数据进行编码。通过比较代码内部和代码之间的文本片段的系统过程,研究者得出了主题。

代码类型:描述性和解释性

代码可以是:

  • 描述的:它们描述了数据的内容
  • 释意:它们是对数据的分析性解读,并添加了研究人员的解释镜头。

为了看到描述性和解释性代码的例子,让我们看看今年早些时候我对一个用户体验从业者的采访(作为我们的用户体验职业研究的一部分,将发表在我们的用户体验工作报告).

“我很害怕如何安排会议,我的公司提供了一天半的课程。所以,我去了那里,教练做了一件我当时觉得很可怕的事,但我后来真的很欣赏。我们做的第一件事就是我们用的名字填写一张纸,写下我们最恐惧的缓和或促进我们把它,然后他说,好吧,明天你要表现出来这种情况(…)第二天我们回来了,我将离开房间而其余团队的阅读,他们读我最糟糕的恐惧,弄清楚他们会怎么做,然后我就会进去,用这10分钟来帮助他们。这让我意识到没有什么好害怕的,大多数时候我们的恐惧就在我们的脑海里,这让我意识到我可以处理好这些情况。”

以下是上述文本可能的描述性和解释性代码:

描述代码:如何获得技能
标签背后的理由:参与者被要求描述他们是如何拥有某些技能的。

解释代码:自我反省
标签背后的理由:参与者描述了这段经历如何改变了她对易化的信念,以及她如何反思自己的恐惧。

进行主题分析的步骤

无论您使用哪种工具(软件、日志或亲和图),进行主题分析的行为可以分为6个步骤。

对执行主题分析的6个步骤的路线图说明概述。步骤1:收集数据。步骤2:从头到尾读取所有数据。步骤3:根据内容编写代码。步骤4:创建封装潜在主题的新代码。第五步:休息一天。第六步:评估你的主题是否合适。
主题分析包括6个不同的阶段:收集数据,从头到尾阅读所有数据,基于内容编写文本代码,创建封装候选主题的新代码,休息一下,然后重新进行分析,评估主题是否合适。

步骤1:收集所有数据

年代使用原始数据,例如访谈或焦点小组记录、现场笔记或日记研究条目。我建议抄录采访录音并使用转录本进行分析,而不是依靠零碎的记忆

步骤2:从头到尾阅读所有数据

在开始分析之前要熟悉数据,即使你是执行研究的人。在进行分析之前,请阅读所有的成绩单、作业笔记和其他数据来源。在这个步骤中,您可以让您的团队参与到项目中。让你的团队参与进来灌输用户的知识移情为了他们和他们的家人需要

运行一个车间(如果您的团队非常庞大或您拥有大量数据,则可以举办一系列研讨会)。遵循以下步骤:

  1. 在您的团队成员处理数据之前,将您的研究问题写在白板或挂图纸上,以便于在工作时参考。
  2. 给每个成员一份成绩单或一份领域或日记研究条目。告诉人们突出任何他们认为重要的东西。
  3. 一旦团队成员读完了他们的条目,他们可以将他们的成绩单或条目传递给其他人,并从另一个团队成员那里接收新的成绩单或条目。此步骤将重复进行,直到所有团队成员都接触到所有数据为止。
  4. 一起讨论你注意到或发现的令人惊讶的事情。
团队成员高亮打印的文字记录的照片。
在研讨会上,每个团队成员阅读每本日记或实地研究条目,并突出重要的部分,这是让团队成员积极参与文本的好方法,而不是只是阅读文本,让它淹没他们。

虽然最好是你的团队观察你所有的研究会议,但如果你有很多会议或一个大团队,这可能是不可能的。当个别团队成员只观察了少数几次会议时,他们有时会在对结果不完全理解的情况下离开。研讨会可以解决这个问题,因为每个人都会阅读所有的会议记录。

步骤3:根据内容编码

在编码步骤中,需要对突出显示的部分进行分类,以便可以轻松比较突出显示的部分。

在这个阶段,提醒自己你的研究目标。把你的研究问题打印出来。把它们贴在你进行分析的房间的墙上或白板上。

如果您有足够的时间,您可以让您的团队参与这个初始编码步骤。如果时间有限,又有很多数据需要处理,那就自己完成这一步,然后邀请你的团队稍后检查你的代码,并帮助充实主题。

在编写代码时,回顾文本的每一部分并问问自己这是怎么回事?”给片段一个描述数据的名称(描述性代码)。您还可以在此阶段向文本添加解释代码。然而,这些内容稍后会变得更容易分配。

可以在分组数据之前或之后创建代码. 本步骤的下两个部分描述了如何以及何时添加代码。

传统方法:分组前先创建代码

在传统方法中,当您突出显示数据片段(如句子、段落、短语)时,您将对它们进行编码。记录所有使用的代码并概述它们是什么是很有帮助的,所以在编写文本的进一步部分时可以参考这个列表(特别是当多人在编写文本时)。这种方法避免了为同一类型的问题创建多个代码(稍后需要合并这些代码)。

一旦对所有文本进行了编码,就可以对具有相同代码的所有数据进行分组。

如果您在这个过程中使用CAQDAS,那么软件会自动记录您在编码时分配的代码,这样您就可以再次使用它们。然后,它提供了一种方法,让您查看使用相同代码编码的所有文本。

来自Nvivo的截图,Nvivo是一个分析定性数据的软件工具。这张截图显示了一份文字记录以及它是如何编码的。
上面显示了Nvivo(CAQDAS工具)的一个示例。右侧的编码条带显示文本的哪些部分已编码。此项目中所有原始数据中使用的所有代码都显示在节点面板中(Nvivo将代码称为节点)。双击一个节点将显示用这个词编码的所有原始数据。

快速方法:将文本段分组,然后指定代码

在突出显示文本时,您不必编写代码,而是将(物理或数字)所有相似的突出显示部分进行分割并聚集在一起(类似于将不同的黏贴分组在亲和图)。然后给分组一个代码。如果您以数字方式进行集群,则可能会将编码部分拉入新文档或可视化协作平台。

在下面的图片中,分组是手工完成的。转录本被切割,固定在粘性材料上,在黑板上移动,直到它们进入自然的主题组。然后,研究人员给这组人分配了一个带有描述性代码的粉色黏贴。

一张突出显示的文字记录被切成几段的照片。
突出显示的部分是用剪刀剪开并粘在胶带上。
一张照片显示了许多高亮的部分的文字记录固定在粘贴和展示在墙上。
参与者编号或数据类型(例如,访谈与实地研究)写在粘性纸上(也可以通过粘性纸的颜色传达)。这种做法可以方便地返回完整的数据,以及在参与者和数据源之间进行比较。黏贴可以让文本片段在木板或墙上轻松移动。
在一张照片上,研究人员在一块新的黏胶上写下标签,并把它放在每一组黏胶上,以此来命名每一组黏胶。
突出显示的部分按文本主题聚集并给出描述性代码。

在这一步的最后,您应该拥有按主题和每个主题的代码分组的数据。

让我们来看一个例子。我采访了3个人关于他们在家做饭的经验。在这些采访中,参与者谈论了他们如何选择烹饪某些东西,而不是其他东西。他们谈到了自己在烹饪时面临的具体挑战(比如饮食要求、预算紧张、时间和空间不足),以及一些挑战的解决方案。

将我的采访中突出显示的剪报按主题分组后,我最终得到了3个大致的描述性代码和相应的分组:

  • 烹饪经验:与烹饪有关的难忘的积极和消极的经历
  • 痛点:任何阻止人们做饭或使做饭变得困难的东西(包括饮食限制、有限的预算等)。
  • 东西帮助:什么有助于(或被认为可能有助于)某人克服特定的挑战或痛点

步骤4:创建封装潜在主题的新代码

查看所有的代码并探索任何因果关系、相似、不同或矛盾,看看你是否能发现潜在的主题。在这样做时,一些代码将被保留(存档或删除),并创建新的解释性代码。如果您使用的是第3步中讨论的物理映射方法,那么这些初始分组可能会随着您寻找主题而崩溃或扩展。

问自己以下几个问题:

  • 每一组都发生了什么?
  • 这些代码是如何关联的?
  • 这些与我的研究问题有什么关系?

回到我们的烹饪主题,当分析每个分组的文本并寻找数据之间的关系时,我注意到两名参与者说他们喜欢可以用不同方式制备并与其他不同成分搭配的成分。第三位参与者谈到,她希望有一套食材可以在一周内用于许多不同的膳食,而不是为每个膳食计划购买单独的食材。因此,一个关于成分灵活性的新主题出现了。对于这个主题,我提出了代码一种成分适用于所有,为此我写了一篇详细的描述。

一名研究人员在墙上创建新分组的照片。
在这个研究实例中,形成了一个新的分组;分组中引用了一些可以灵活使用的配料,要么是因为它们可以用多种方式制作,要么是因为它们可以在一周内的几顿不同的饭菜中使用。该分组被标注了解释代码“一种成分适合所有人”。研究人员随后充实了这段代码的描述。

第五步:休息一天,然后返回数据

休息一下,以全新的视角审视数据,这几乎总是一个好主意。这样做有时可以帮助您清楚地看到数据中的重要模式,并获得突破性的见解。

第六步:评估你的主题是否合适

在这个步骤中,让其他人参与进来帮助您检查代码和新出现的主题可能会很有用。不仅会产生新的见解,你的结论也会受到新的眼光和头脑的挑战和批评。这种做法减少了你的解释被个人偏见影响的可能性。

仔细审视你的主题。问自己这些问题:

  • 数据是否很好地支持了该主题?或者你能找到不支持你的主题的数据吗?
  • 主题中是否充满了大量实例?
  • 在分别分析数据后,其他人是否同意你在数据中发现的主题?

如果这些问题的答案是,这可能意味着你需要回到分析板。假设你收集了一些声音数据,你总能从中学到一些东西,所以花更多时间与你的团队重复步骤4-6是值得的。

结论

使用主题分析作为有效的指导,通过大量的定性数据。没有一种方法可以进行主题分析。选择一种适合你收集的数据种类和数量的分析方法。如果可能的话,邀请其他人参与分析过程,既可以提高分析的准确性,也可以提高团队对用户行为、动机和需求的了解。分析可能是一个漫长的过程,所以一个好的经验法则是尽可能多地预算数据收集的时间来完成分析。

了解更多信息:用户访谈,揭示价值、动机和欲望的高级技术,在UX会议上的全天课程。