Kvalitatiivisen aineiston tietokoneavusteinen analyysi ATLAS

Esitys aiheesta: "Kvalitatiivisen aineiston tietokoneavusteinen analyysi ATLAS"— Esityksen transkriptio:

1 Kvalitatiivisen aineiston tietokoneavusteinen analyysi ATLAS
Kvalitatiivisen aineiston tietokoneavusteinen analyysi ATLAS.ti –ohjelman avulla Tutkimusmenetelmien oppimateriaalit ja verkko-opetus FSD Timo Moilanen Yleisen valtio-opin laitos / PL 54 / Helsingin yliopisto p. (09) , s-posti:

2 Esityksen kulku analyysiohjelman ja tutkimusmenetelmän välisestä suhteesta ATLAS.ti analyysin apuvälineenä version 4.2 keskeiset ominaisuudet mitä uutta versiossa 5 minkälaisiin tutkimusotteisiin ohjelma soveltuu lopuksi: ohjelmien opettamiseen liittyviä seikkoja

3 Analyysiohjelman ja tutkimusmenetelmän välisestä suhteesta
ei ole olemassa tietokoneavusteista kvalitatiivisen aineiston analyysia (ks. esimerkki) esim. koodaus: mitä koodataan (kaikki teksti, osa tekstistä), mistä koodit (ennen analyysia, aineistoon perustuen), mikä on analyysiyksikkö? on monia lähestymistapoja, joilla on jotain yhteisiä sääntöjä ja periaatteita, mutta myös paljon eroja (ks. esimerkki) ohjelmat tukevat erityisesti GT-tyyppistä tutkimusta (koodaus, hakeminen, memot, suhteet)

4 Eroavaisuuksia kvantitatiivisen ja kvalitatiivisen aineiston välillä
kvantitatiivinen aineisto havaintomatriisi havainnot muodostuvat aineiston keruu- ja käsittelyvaiheessa kvalitatiivinen aineisto tutkimusmateriaali havainnot havainnot muodostuvat vasta aineiston analyysivaiheessa tutkijan tulkinnan kautta - - -- havaintoyksiköt muuttujat V1 V2 V3 V4 vastaaja 1 1 3 2 vastaaja 2 5 vastaaja 3 vastaaja n 4

5 ATLAS.ti:n keskeiset ominaisuudet (versio 4.2) www.atlasti.de
KOODAUS (CODING) teknisesti monipuolinen ja helppokäyttöinen - koodaa uudella koodilla (uusi koodinimi) - koodaa vanhalla koodilla (aiemmin käytetty koodi) - pikakoodaus (koodaa edellisellä koodilla) - in-vivo –koodaus (teksti koodataan itsellään) - automaattinen koodaus - perustuu merkkijonopohjaiseen etsintään (search), esim. #P tai #K017 tai #huom-nauru, myös *lojaal*

6 perushaku (kaikki tietyllä koodilla koodatut kohdat)
HAKEMINEN (RETRIEVE) monipuoliset tavat hakea koodattua aineistoa eli tutkijan tekemiä havaintoja (käsin tehtynä erittäin työlästä). Käyttö mm. koodauksen tarkistamisessa (virheet, tarkentaminen) sekä päättelyn apuvälineenä. perushaku (kaikki tietyllä koodilla koodatut kohdat) semanttinen haku (pääkategoria vaikutusmah-dollisuudet ja sen alakategoriat aloitteellisuus, eriävän mielipiteen jättäminen, eroaminen jne) yhdistelmähaku (esim. vaikutusvalta ja miehet) frekvenssihaku (koodien esiintymislukumäärä) referenssihaku (koodien lähdetiedot)

7 - analyysiprosessin hallinta
MEMOT - havaintojen eksplikointia (memos: attach) - aineiston tiivistäminen (esim. haastatteluiden ydinkohdat käyttämällä memos: create free memo) - analyysiprosessin hallinta - yhteenvetojen laatiminen (esim. jonkin ilmiön eri variaatio) - raportointi (käsikirjoitus) SUHTEET - visualisointi havainnollistaa asiat tehokkaasti. Voidaan tarkastella koodien, tekstisegmenttien, dokumenttien ja memojen välisiä suhteita (esim. semanttiset haut) - visualisointi voi olla myös vaarallista - codes: open network; networks: new network view

8 muita ominaisuuksia aineiston joustava yhdistäminen erilaisiin perheisiin (primaaritekstiperheet, koodiperheet, memoperheet) laajat kommentointimahdollisuudet (vrt. memot) monipuolinen järjestäminen (sort) ja suodatus (filter) relevantin tekstin haku uutta tulevassa 5.0 versiossa (maaliskuu 2004), mm. kovista rivivaihdoista luopuminen Excel ja Word –tiedostojen käyttö rich text muotoilujen käyttö multi-user editing and synchronization monikielisyys (East Asian language support (DBCS), Window mirroring for right-to-left languages) XML-pohjaisuus (aineiston siirrettävyys) sisällönanalyysi (improved Word Cruncher) ja tulokset suoraan Excel-tiedostoon

9 Lopuksi: ohjelmien opettamiseen liittyviä seikkoja
tietokoneavusteinen analyysi ei ole itsenäinen menetelmä - näennäisesti ”helpon” aineiston analyysi vaatii taustalle teoreettis-metodologisen viitekehyksen vrt. kvantitatiivinen aineisto, jossa havainnot on jo ’tuotettu’ jostain näkökulmasta päätetyöskentely on raskasta, vaatii oman tilan (myös tietoturvaan liittyvät kysymykset tärkeitä) hyvää: suurten aineistojen analyysiprosessin hallittavuus, läpinäkyvyys ja yhteistyömahdollisuudet samaa kvalitatiivista aineistoa voidaan analysoida lukuisista eri näkökulmista (arkistointi lisää monitieteisyyden mahdollisuuksia) tutkimusmenetelmien oppimista voidaan tukea yhteisillä resurssilla, mutta opetus pitää aina räätälöidä kullekin tieteenalalle/oppialalle sopivaksi arkistoon pitäisi tallentaa ns. raaka-aineiston lisäksi myös tutkijan omalla tulkinnallaan tuottama varsinainen havaintoaineisto

10 ATLAS.ti –ohjelmaa käsitteleviä oppaita
ATLAS.ti –ohjelman kotisivut LAADULLINEN TEKSTINANALYYSI ATLAS/TI 4.2. –OHJELMALLA (Markku Lonkila ja Jussi Silvonen, Helsinki) Johdatus laadulliseen analyysiin ATLAS.ti- ohjelman avulla (Hanne Turunen & Olli Ruohomäki, Tampere)