Hva er analyse?
Å systematisk gå inn i datamaterialet for å undersøke og identifisere bruddstykker og enkelte bestanddeler
- vil trekke ut informasjon som er viktig og relevant for designprosessen påen systematisk, reproduserbar og etterprøvbar måte.
- Hvis vi har et system så vil analysen avsløre dens oppførsel
- Må kunne ha tilgjengelig data for å kunne analysere. f.eks. transkribert intervju.
Syntese
Sette sammen deler til en helhet, ofte ved å eksperimentere med ulike prototyper for å studere brukerinteraksjon og oppfylle spesifikke krav
Hawthorne-effekten
- Eksempel på observasjonsbias
- Hawthorne-effekten: Det å bli undersøkt i seg selv frembringer atferdsendringer hos den som blir undersøkt. folk har tendenser til oppføre seg annerledes når de vet de blir observert
- Kan skyldes flere forhold, men som regel at den som undersøkes ønsker å komme bedre/mer positivt ut av undersøkelsen
- Kan være vanskelig for den som observerer å oppdage
innholdsanalyse
Et begrep som kan ha to betydninger:
1. Et generelt begrep som brukes for å angi at vi ønsker å analysere innholdet i en transkripsjon
2. En konkret begrep som beskriver en teknikk som involverer at vi teller forekomsten av ord, uttrykk, konsepter etc.
- Vi har to nivåer av innholdsanalyse:
1. Grunnleggende: deskriptiv og manifesterende gjengivelse av det som ble sagt eller gjort
- Fortolkende: latent og relasjonell tolkning av det bakenforliggende for det som ble sagt eller gjort
- Inkluderer kategorisering av data (f.eks. verbal data eller videoopptak)
- Involverer som regel at vi koder og deretter klassifiserer dataen vår
Kvalitative studier
Subjektivt tolkning
- Fokuserer på hvordan mennesker eller grupper av mennesker kan ha ulike måter å forstå virkeligheten på (normalt sosial eller psykologisk virkelighet)
- Opptatt av å rapportere fra opplevelser eller av data som ikke kan uttrykkes tilstrekkelig med tall
Utfordringer kvalitative studier
Vanskelig å generalisere funn –> men det er heller ikke alltid målet vårt
- Ofte for få eller for ikke-tilfeldig utvalg til å trekke slutninger, men vi kan fint designe for én eller få personer
- her er det ofte flere «sannheter»
- Bærer ofte preg av analytikers subjektivitet eller andre former for bias
- Intra-coder reliabilityvil du kunne reprodusere samme analyse som sist om du tok frem igjen en gammel analyse?
- Inter-coder reliability vil en annen uavhengig person kunne komme frem til samme analyse som deg?
Kvantitativ analyse
Objektiv sannhet
- Fokuserer på å beskrive og forstå virkeligheten ved å oppdage generelle «lover»
- Bruker statistiske teknikker som tillater oss å snakke om hvor sannsynlig det er at noe er «sant» for en gitt populasjon i en objektiv eller målbar forstand
Koding
Koding er en prosess som kombinerer ulike deler av dataen.
* første steg i innholdsanalysen
- Vi kan kombinere data basert på temaer, ideer, nøkkelord og kategorier
- Vi markerer som regel i teksten med ulike “tags” slik at det er lett å separere
- Kan enkelt finnes frem igjen for videre sammenlikning og analyse
- Som regel tekstutdrag, men kan også være lyd-, video-, eller bildeutdrag
Åpen koding
- Første nivå av koding hvor vi linje-for-linje leter etter distinkte kategorier
- Sentrale spørsmål: “Hva handler dette egentlig om?” og “Hva refereres det til her?”
- Involverer typisk å bryte opp dataen i generelle hovedkategorier med ett nivå av underkategorier
- Innhold relatert til like kategorier farges ofte i like farger
- Resulterer typisk i 3-5 ulike farger som angir ulike kategorier
Aksiell koding
Andre nivå av koding som gjøres etter at man har utledet kategorier eller konsepter gjennom åpen koding
- Deduktiv analyse vi undersøker om våre generelle antagelser også gjelder for det konkrete observasjoner (teori sjekkes mot praksis)
- Sentrale spørsmål: “Hvordan henger de ulike kategoriene sammen?” og “Hva forårsaket kategoriene og hva er konsekvensene?”
- Man tar utgangspunkt i kategoriene man utledet og leser gjennom teksten på nytt én akse (kategori) om gangen
- Bruddstykker (kategorier) fra åpen koding undersøkes nå enda nærmere for å avdekke:
1. Relasjoner mellom ulike kategorier
- Relasjoner mellom hovedkategorier og underkategorier
- Andre viktige forhold for å forstå kategorien: betingelser, kontekster, handlinger, strategier, konsekvenser
Tematisk analyse
- En metode som identifiserer, analyserer og rapporterer mønstre (temaer) i et datasett
- Krever som regel at vi har en idé om hvilket fenomen eller forhold vi ønsker å undersøke
Et tema kan defineres som momenter i dataen som:
1. Er relevante og helst viktige med tanke på problemstillingen
2. Representerer en grad av mønster i datasettet
Tematisk analyse har ofte en forhåndsdefinert prosedyre bestående av seks faser:
1. Bli kjent med datasettet
2. Generer innledende koder
3. Søk etter temaer
4. Gjennomgå temaene
5. Definer og navngi temaene
6. Produser en rapport
Affinity diagram
- En teknikk for å systematisere et mangfold av innsikter og ideer
- Individuelle innsikter og ideer organiseres i et hierarki som viser felles strukturer og temaer
- Stammer fra prosjekthåndtering og businessverden
- Brukes også til å oppsummere brainstorming-aktiviteter eller verbale aktiviteter
- Standardprosedyre for å gjøre affinity diagramming:
1. Går ut på å notere alle innsikter og ideer på kort eller lapper
2. Man ser så etter ideer som ser ut til å høre sammen
3. Man sorterer kortene/lappene i grupper til alle lappene er brukt
Funn
- Funn er relasjoner, mønstre, sammenhenger (temaer) vi har oppdaget gjennom analysen
- VIKTIG: å kalle noe for funn krever at vi har gjort en faktisk analyse, vi kan ikke bare synse, vi må faktisk (systematisk) undersøke
- Kan presenteres som:
- Liste over funn
- Tabell
- Grafisk fremstilling av data
- Diagrammer (f.eks. gigamaps, customer journey maps etc.)
- Vi kan forsterke funn ved å vise til:
- Bilder, videoer, lyd og andre opptak
- Sitater og utsagn
- Historier og eksempler
Triangulering
Når man undersøker et fenomen/samler inn data fra minst to forskjellige perspektiver. Kan deles inn i fire typer: triangulering av data, forskertriangulering, triangulering av teorier og metodetriangulering. Kan føre til tillit, innsikt og helhetlig forståelse av dataen
Bias
Skjevhet og avvik som gjør at dataen ikke stemmer med virkeligheten –> kan medføre feil med registrering, tolkning, forståelse
- utvalgsbias(deltaker er ikke representativ)
- intervjubias (intervjueren påvirker respondentens svar)
- responsbias (deltaker gir svar som ikke nødvendgvis gjennspeiler deres mening, holdning eller atferd)
Årsaker:
- ledendes eller lukkede spørsmål
- mangel på triangulering
- ikke nok data
- relasjon til deltaker
Pålitelighet(reliablitet)
Hvorvidt kan resultatene fra studien reproduseres dersom man gjnnomfører samme studie på nytt? Samme resultat?
Gyldighet(validitet)
Måler jeg det jeg hevder å måle?
intra-coder reliability
Vil du kunne reprodusere samme analyse som sist?
Inter-code reliability
Vil en annen uavhengig person kunne komme frem til samme analyse som deg?
