Avointen vastausten tai haastattelujen koodaaminen- pärjääkö värikynämetodilla?
Avoimia vastauksia kannattaa jonkin verran koodata tai
luokitella, muuten ei näe metsää puilta. Koodaamisella on kuitenkin rajansa,
sillä koodaamisessa häviää aina informaatiota. Luokittelu sen sijaan kannattaa
aina. Pieniä määriä avoimia vastauksia on helppo luokitella. Värikynämetodi ei
ehkä kuulosta kovin tieteelliseltä, mutta käytännössä se on oikein näppärä ja
toimiva metodi. Vastauksista tai haastatteluista haetaan toistuvat asiat ja
samaan kategoriaan kuuluvat asiat merkitään aina samalla värillä. Vastaukset on
helppo laskea ja tiivistää muutamaan pointtiin.
Jos vastauksia on enemmän, on tarpeen tehdä jokin raami
luokittelulle. Itse käytän esimerkiksi asiakaspalautteen analysoinnissa kolmea peruskategoriaa:
positiiviset palautteet, negatiiviset palautteet ja kehittämisehdotukset. Nämä
sitten jaan omiin alakategorioihin frekvenssin ja datasta aistittavan tuntuman
mukaan. Lähtökohtana voi myös käyttää esimerkiksi SWOT-analyysiä. Eli
vastaukset voi luokitella ensin uhkiin/heikkouksiin ja mahdollisuuksiin/vahvuuksiin.
Tutkimuksen presentaatiovaiheessa onkin näppärää pitää samalla pienimuotoinen SWOT-
workshop käyttäen tutkimusta inspiraation lähteenä ajattelulle. Raamien valintaa kannattaa pohtia tarkkaan.
Edellä mainittujen lisäksi voi olla hyvä ajatus tarkastella avoimia vastauksia taustaryhmittäin
tai esimerkiksi kohderyhmittäin.
Kun tehdään raamit luokittelulle etukäteen on hyvä huomata,
että tällöin myös rajataan toiset lähestymistavat ulkopuolelle. Eli tässä
kohtaa tutkija jo rajaa aineistosta mahdollisesti saatavat tulokset. Sen takia
tämä vaihe vaatiikin paljon ammattitaitoa ja ennen kaikkea näkemystä siitä
millaiset asiat ovat olennaisia. Pitää myös päättää huolella mitä koodaa eli
sanoja, lauseita vai merkityksiä. Näissäkin on tulkinnanvaraa paljon ja on
tärkeää pysyä herkkänä sille, että tulkitsee oikein.
Koodausvaiheessa yleensä luokitellaan ja yksinkertaistetaan
aineistoa. On tärkeää säilyttää myös alkuperäiset kommentit sellaisenaan, koska
niille voi olla tarvetta myöhemmin. Ensinnäkin saattaa olla, että jälkikäteen
selviää koodauksen olleen liian yksinkertaistava ja halutaan kaivaa esiin
nyansseja. Esimerkiksi lause ”Asiakaspalvelussa
pitäis jaksaa kuunnella asiakasta” voidaan luokitella huonoksi
asiakaspalveluksi. Se toisaalta antaa myös vinkin siitä miten asiakaspalvelua
voisi parantaa tai mikä siitä tekee huonoa. Raportoidessa tutkimusta on mukava
elävöittää tutkimustuloksia muokkaamattomilla sitaateilla ja tästäkin syystä on
hyvä säilyttää sitaatit.
Jos aineisto on todella suuri voidaan ottaa avuksi jokin
ohjelma. Tällaisia paljon käytettyjä ohjelmia ovat esimerkiksi Atlas.ti ja nVivo Ohjelmat vaativat jonkin verran totuttelua, eikä niiden käyttöä varmaankaan
kannata opetella, jos sinulla on vain satunnaisia haastatteluiden
koodaustarpeita. Ohjelmien käytössä pitää myös olla tarkkana, koska ne
koodaavat juuri niin älykkäästi kuin tutkija käskee. Jos koodaa vain sanoja,
voi tulla virheitä. Esimerkiksi pelkkä tyytyväinen -sanan laskeminen johtaa
aikamoisiin virhepäätelmiin. Tyytyväinen-sana kun voi esiintyä monenlaisissa
lauseissa: ”Olen todella tyytyväinen tähän tuotteeseen” tai ”En ole lainkaan
tyytyväinen palveluun”. Ohjelmat helpottavat ison aineiston hallinnointia,
mutta oikotietä onneen ne eivät tarjoa.
En ole itse käyttänyt em. ohjelmia muuten kuin pienimuotoisiin
kokeiluihin. Luen tai silmäilen yleensä ensin aineiston läpi (tai otoksen
siitä, jos se on iso). Odotan, että se alkaa jutella minulle. Pohdin raameja
tutkimuksen käyttötarkoituksen mukaan ja kaivan värikynät esiin. Joskus joudun
luokittelemaan moneen kertaan, mutta se kannattaa, sillä on erittäin
palkitsevaa kun saa datan puhumaan.
Ps. Kiitos kuvasta Ambro at Free Digital Photos.net
Kommentit
Lähetä kommentti