Analiza tematyczna

Analiza tematyczna jest jedną z najpowszechniejszych form analizy w ramach badań jakościowych . Kładzie nacisk na identyfikację, analizę i interpretację wzorców znaczeniowych (lub „tematów”) w danych jakościowych. Analiza tematyczna jest często rozumiana jako metoda lub technika w przeciwieństwie do większości innych jakościowych podejść analitycznych – takich jak teoria ugruntowana , analiza dyskursu , analiza narracji i interpretacyjna analiza fenomenologiczna - które można określić jako metodologie lub teoretyczne ramy badań (określają one teorię przewodnią, odpowiednie pytania badawcze i metody zbierania danych, a także procedury przeprowadzania analiz). Analizę tematyczną najlepiej traktować jako ogólny termin określający różne podejścia, a nie pojedynczą metodę. Różne wersje analizy tematycznej opierają się na różnych założeniach filozoficznych i pojęciowych oraz różnią się proceduralnie. Czołowi zwolennicy analizy tematycznej, psychologowie Virginia Braun i Victoria Clarke rozróżnić trzy główne typy analizy tematycznej: podejścia do niezawodności kodowania (przykłady obejmują podejścia opracowane przez Richarda Boyatzisa i Grega Guesta oraz współpracowników), podejścia oparte na książkach kodowych (obejmują one podejścia takie jak analiza ramowa, analiza szablonów i analiza macierzowa) oraz podejścia refleksyjne. Opisują swoje szeroko stosowane podejście, które po raz pierwszy zostało opisane w 2006 roku w czasopiśmie Qualitative Research in Psychology jako refleksyjna analiza tematyczna. Ich artykuł z 2006 roku ma ponad 120 000 Google Scholar cytowań i według Google Scholar jest najczęściej cytowanym artykułem naukowym opublikowanym w 2006 roku. Popularność tego artykułu jest przykładem rosnącego zainteresowania analizą tematyczną jako odrębną metodą (chociaż niektórzy kwestionują, czy jest to odrębna metoda, czy po prostu ogólny zestaw analitycznych procedury).

Opis

Analiza tematyczna jest wykorzystywana w badaniach jakościowych i koncentruje się na badaniu tematów lub wzorców znaczeń w danych. Ta metoda może kłaść nacisk zarówno na organizację, jak i bogaty opis zbioru danych oraz teoretycznie poinformowaną interpretację znaczenia. Analiza tematyczna wykracza poza zwykłe liczenie fraz lub słów w tekście (jak w przypadku analizy treści ) i bada jawne i ukryte znaczenia danych. Kodowanie jest podstawowym procesem opracowywania motywów poprzez identyfikowanie w danych elementów o znaczeniu analitycznym i oznaczanie ich etykietą kodującą. W niektórych podejściach do analizy tematycznej kodowanie następuje po opracowaniu tematu i jest dedukcyjny proces przydzielania danych do wcześniej określonych motywów (podejście to jest powszechne w podejściach dotyczących niezawodności kodowania i książek kodowych), w innych podejściach - szczególnie w podejściu refleksyjnym Brauna i Clarke'a - kodowanie poprzedza rozwój motywu, a motywy są budowane z kodów. Jedną z cech charakterystycznych analizy tematycznej jest jej elastyczność - elastyczność w odniesieniu do teorii ramowania, pytań badawczych i projektu badawczego. Analiza tematyczna może być wykorzystana do zbadania pytań dotyczących życiowych doświadczeń, perspektyw, zachowań i praktyk uczestników, czynników i procesów społecznych, które wpływają na określone zjawiska i je kształtują, jawnych i ukrytych norm i „zasad” rządzących poszczególnymi praktykami, a także społecznej konstruowanie znaczeń i reprezentacja obiektów społecznych w poszczególnych tekstach i kontekstach.

Analiza tematyczna może być wykorzystana do analizy większości typów danych jakościowych, w tym danych jakościowych zebranych z wywiadów , grup fokusowych , ankiet , zamówionych dzienników, metod wizualnych , obserwacji i badań terenowych , badań w działaniu , pracy z pamięcią , winiet , uzupełniania historii i źródeł wtórnych . Zbiory danych mogą obejmować zarówno krótkie, zdawkowe odpowiedzi, otwarte pytania ankietowe, jak i setki stron transkrypcji wywiadów. Analizę tematyczną można wykorzystać do analizy zarówno małych, jak i dużych zbiorów danych. Analiza tematyczna jest często stosowana w projektach metod mieszanych - teoretyczna elastyczność AT sprawia, że ​​jest to prostszy wybór niż podejścia z określonymi osadzonymi założeniami teoretycznymi.

Czasami uważa się, że analiza tematyczna jest zgodna z fenomenologią , ponieważ może skupiać się na subiektywnych doświadczeniach uczestników i tworzeniu sensu; istnieje długa tradycja stosowania analizy tematycznej w badaniach fenomenologicznych. Podejście fenomenologiczne kładzie nacisk na postrzeganie, uczucia i doświadczenia uczestników jako nadrzędny przedmiot badań. Zakorzeniona w psychologii humanistycznej fenomenologia zauważa, że ​​oddanie głosu „innemu” jest kluczowym elementem ogólnych badań jakościowych. Takie podejście pozwala respondentom omówić temat własnymi słowami, bez ograniczeń związanych z pytaniami o ustalonej odpowiedzi, które można znaleźć w badaniach ilościowych.

Czasami błędnie zakłada się, że analiza tematyczna jest zgodna jedynie z fenomenologią lub empirycznymi podejściami do badań jakościowych. Braun i Clarke argumentują, że ich refleksyjne podejście jest w równym stopniu kompatybilne ze społecznym konstrukcjonizmem , poststrukturalizmem i krytycznym podejściem do badań jakościowych. Podkreślają teoretyczną elastyczność analizy tematycznej i jej zastosowanie w ramach ontologii realistycznych, realistycznych krytycznych i relatywistycznych oraz epistemologii pozytywistycznych, kontekstualistycznych i konstrukcjonistycznych.

Jak większość metod badawczych, proces tematycznej analizy danych może przebiegać zarówno indukcyjnie , jak i dedukcyjnie . W podejściu indukcyjnym zidentyfikowane tematy są silnie powiązane z danymi. Oznacza to, że proces kodowania odbywa się bez próby dopasowania danych do wcześniej istniejącej teorii lub ram. Jednak indukcyjne procesy uczenia się w praktyce rzadko są „czysto oddolne”; nie jest możliwe całkowite uwolnienie się badaczy i ich środowisk od ontologicznych (teoria rzeczywistości), epistemologicznych (teoria poznania) i paradygmatycznych (nawykowe) założenia – kodowanie zawsze będzie w pewnym stopniu odzwierciedlać filozoficzny punkt widzenia badacza oraz indywidualne/społeczne wartości w odniesieniu do wiedzy i uczenia się. Z drugiej strony podejście dedukcyjne jest bardziej oparte na teorii. Ta forma analizy jest zwykle bardziej interpretacyjna, ponieważ analiza jest wyraźnie kształtowana i oparta na istniejącej wcześniej teorii i koncepcjach (najlepiej cytowana ze względu na przejrzystość wspólnego uczenia się). Podejścia dedukcyjne mogą polegać na próbie zidentyfikowania tematów zidentyfikowanych w innych badaniach w zbiorze danych lub wykorzystaniu istniejącej teorii jako soczewki do organizowania, kodowania i interpretowania danych. Czasami podejścia dedukcyjne są błędnie rozumiane jako kodowanie oparte na pytaniu badawczym lub pytaniach dotyczących zbierania danych. Analiza tematyczna może również łączyć podejście indukcyjne i dedukcyjne, na przykład w pierwszoplanowej interakcji między a priori opracowane przez zespoły zajmujące się analizą danych jakościowych kierowane przez klinicystów oraz pomysły uczestników badania i obserwacji terenowych.

Różne podejścia do analizy tematycznej

Podejścia do niezawodności kodowania mają najdłuższą historię i często niewiele różnią się od jakościowej analizy treści. Jak sugeruje nazwa, priorytetowo traktują pomiar niezawodności kodowania poprzez wykorzystanie ustrukturyzowanych i stałych książek kodowych, wykorzystanie wielu koderów, którzy pracują niezależnie, aby zastosować książkę kodów do danych, pomiar wiarygodności między oceniającymi lub porozumienie między koderami (zwykle przy użyciu Kappa Cohena ) i określenie ostatecznego kodowania w drodze konsensusu lub porozumienia między programistami. Podejścia te są formą pozytywizmu jakościowego lub badań jakościowych małych q, które łączą wykorzystanie danych jakościowych z procesami i procedurami analizy danych opartymi na wartościach badawczych i założeniach (ilościowego) pozytywizmu – podkreślając znaczenie ustalenia wiarygodności kodowania i postrzegania badacza subiektywność lub „stronniczość” jako potencjalne zagrożenie dla wiarygodności kodowania, które należy ograniczyć i „kontrolować”, aby uniknąć pomieszania „wyników” (z obecnością i aktywnym wpływem badacza). Boyatzis przedstawia swoje podejście jako takie, które może „pokonać przepaść” między ilościowymi ( paradygmaty pozytywistyczne ) i jakościowe ( interpretatywne ). Niektórzy badacze jakościowi krytycznie odnoszą się do stosowania ustrukturyzowanych książek kodów, wielu niezależnych koderów i miar niezawodności między oceniającymi. Janice Morse twierdzi, że takie kodowanie jest z konieczności szorstkie i powierzchowne, aby ułatwić uzgodnienie kodowania. Braun i Clarke (cytując Yardleya) argumentują, że wszystko, co wskazuje na porozumienie w sprawie kodowania, pokazuje, że programiści zostali przeszkoleni do kodowania w ten sam sposób, a nie, że kodowanie jest „niezawodne” lub „dokładne” w odniesieniu do podstawowych zjawisk, które są kodowane i opisywane.

Podejścia do książek kodowych, takie jak analiza ramowa, analiza szablonów i analiza macierzowa, koncentrują się na wykorzystaniu ustrukturyzowanych książek kodowych, ale – w przeciwieństwie do podejść do niezawodności kodowania – kładą większy lub mniejszy nacisk na jakościowe wartości badawcze. Zarówno niezawodność kodowania, jak i podejścia do książki kodów zazwyczaj obejmują wczesny rozwój motywu - wszystkie lub niektóre motywy zostały opracowane przed kodowaniem, często po pewnym zapoznaniu się z danymi (czytanie i ponowne odczytywanie danych w celu dokładnego zapoznania się z ich zawartością). Po opracowaniu tematów tworzona jest książka kodów — może to obejmować wstępną analizę części lub całości danych. Następnie dane są kodowane. Kodowanie polega na przydzielaniu danych do określonych z góry tematów przy użyciu książki kodów jako przewodnika. Książka kodów może być również używana do mapowania i wyświetlania występowania kodów i motywów w każdym elemencie danych. Tematy są często wspólnymi tematami omawianymi przez Brauna i Clarke'a.

Podejścia refleksyjne koncentrują się na organicznych i elastycznych procesach kodowania - nie ma książki kodów, kodowanie może być podejmowane przez jednego badacza, jeśli wielu badaczy jest zaangażowanych w kodowanie, jest to konceptualizowane jako proces współpracy, a nie taki, który powinien prowadzić do konsensusu. Poszczególne kody nie są stałe – mogą ewoluować w trakcie procesu kodowania, granice kodu można przerysować, kody można podzielić na dwa lub więcej kodów, zwinąć z innymi kodami, a nawet awansować do tematów. Podejścia refleksyjne zazwyczaj obejmują późniejszy rozwój motywu - z motywami utworzonymi z grupowania podobnych kodów. Tematy powinny uchwycić wspólne znaczenie zorganizowane wokół głównej koncepcji lub idei.

Braun i Clarke oraz współpracownicy krytycznie odnosili się do tendencji do przeoczania różnorodności w analizie tematycznej i nieuznawania różnic między różnymi podejściami, które wytyczyli. Twierdzą, że ta porażka prowadzi do bezmyślnego „mieszania” ich podejścia z niekompatybilnymi technikami i podejściami, takimi jak książki kodowe, kodowanie konsensusowe i pomiar wiarygodności między oceniającymi.

Temat

W analizie tematycznej nie ma jednej definicji ani konceptualizacji tematu. Dla niektórych zwolenników analizy tematycznej, w tym Brauna i Clarke'a, tematy są konceptualizowane jako wzorce wspólnego znaczenia elementów danych, poparte lub połączone przez centralną koncepcję, które są ważne dla zrozumienia zjawiska i są istotne dla pytania badawczego. Dla innych (w tym większości zwolenników niezawodności kodowania i książek kodów) motywy to po prostu podsumowania informacji związanych z określonym tematem lub domeną danych; nie ma wymogu wspólnego znaczenia zorganizowanego wokół centralnej koncepcji, tylko wspólny temat. Chociaż te dwie konceptualizacje są związane z określonymi podejściami do analizy tematycznej, często są mylone i mylone. To, co Braun i Clarke nazywają podsumowaniem domeny lub podsumowaniem tematu, często ma jednowyrazowe tytuły tematyczne (np. Płeć, Wsparcie) lub tytuły takie jak „Korzyści z…”, „Przeszkody dla…”, sygnalizując skupienie się na podsumowaniu wszystkiego, co powiedzieli uczestnicy, lub główne poruszone kwestie w odniesieniu do konkretnego tematu lub dziedziny danych. Tematy podsumowujące temat są zwykle opracowywane przed kodowaniem danych i często odzwierciedlają pytania dotyczące zbierania danych. Wspólnych motywów znaczeniowych, które opierają się na centralnej koncepcji lub idei, nie można opracować przed kodowaniem (ponieważ są one zbudowane z kodów), podobnie jak wyniki dokładnego i systematycznego procesu kodowania. Braun i Clarke krytycznie odnosili się do pomieszania tematów podsumowujących temat z ich konceptualizacją tematów jako uchwycenia wspólnego znaczenia opartego na centralnej koncepcji. Niektórzy badacze jakościowi argumentowali, że streszczenia tematów stanowią słabo rozwiniętą analizę lub analityczne wykluczenie.

Istnieją kontrowersje wokół poglądu, że „motywy wyłaniają się” z danych. Braun i Clarke krytycznie odnoszą się do tego języka, ponieważ twierdzą, że pozycjonuje on tematy jako byty istniejące w pełni uformowane w danych – badacz jest po prostu biernym świadkiem tematów „wyłaniających się” z danych. Zamiast tego argumentują, że badacz odgrywa aktywną rolę w tworzeniu tematów - więc tematy są konstruowane, tworzone, generowane, a nie po prostu pojawiają się. Inni używają tego terminu celowo, aby uchwycić indukcyjne (wyłaniające się) tworzenie tematów. Jednak nie zawsze jest jasne, w jaki sposób termin ten jest używany.

Rozpowszechnienie lub powtarzalność niekoniecznie jest najważniejszym kryterium przy określaniu, co stanowi temat; Tematy można uznać za ważne, jeśli są wysoce adekwatne do pytania badawczego i istotne dla zrozumienia interesujących nas zjawisk. Rozpowszechnienie motywu niekoniecznie oznacza częstotliwość występowania motywu (tj. liczbę elementów danych, w których występuje); może to również oznaczać, ile danych przechwytuje motyw w każdym elemencie danych i w zbiorze danych. Motywy są zazwyczaj widoczne w całym zbiorze danych, ale wyższa częstotliwość niekoniecznie oznacza, że ​​temat jest ważniejszy dla zrozumienia danych. Ocena badacza jest kluczowym narzędziem w określaniu, które tematy są ważniejsze.

Istnieją również różne poziomy kodowania danych i identyfikowania tematów — semantyczny i ukryty. Analiza tematyczna może skupiać się na jednym z tych poziomów lub na obu. Kody semantyczne i motywy identyfikują jawne i powierzchowne znaczenie danych. Badacz nie patrzy poza to, co powiedział lub napisał uczestnik. I odwrotnie, ukryte kody lub motywy wychwytują podstawowe idee, wzorce i założenia. Wymaga to bardziej interpretacyjnej i koncepcyjnej orientacji na dane.

Dla Brauna i Clarke'a istnieje wyraźne (ale nie absolutne) rozróżnienie między tematem a kodem — kod zawiera jeden (lub więcej) spostrzeżeń dotyczących danych, a temat obejmuje wiele spostrzeżeń zorganizowanych wokół centralnej koncepcji lub idei. Często używają analogii do domu z cegły i dachówki - kodem jest pojedyncza cegła lub dachówka, a tematem są ściany lub panele dachowe, z których każdy składa się z wielu kodów. Inne podejścia do analizy tematycznej nie dokonują tak wyraźnego rozróżnienia między kodami a tematami - kilka tekstów zaleca, aby badacze „kodowali dla tematów”. Może to być mylące, ponieważ dla Brauna i Clarke'a oraz innych temat jest uważany za wynik lub wynik kodowania, a nie to, co jest zakodowane. W podejściach, które wyraźnie rozróżniają kody i motywy, kod jest etykietą, która jest nadawana poszczególnym fragmentom danych, które składają się na temat. Na przykład „BEZPIECZEŃSTWO może być kodem, ale FAŁSZYWE POCZUCIE BEZPIECZEŃSTWA może być tematem”.

Kwestie metodologiczne

Czasopisma refleksyjne

Biorąc pod uwagę, że badania jakościowe są z natury badaniami interpretacyjnymi, stanowisko, wartości i osądy badaczy muszą być wyraźnie potwierdzone, aby zostały wzięte pod uwagę przy nadawaniu sensu raportowi końcowemu i ocenie jego jakości. Ten rodzaj otwartości i refleksji jest uważany za pozytywny w społeczności jakościowej. Naukowcy kształtują pracę, którą wykonują i są narzędziem do zbierania i analizowania danych. Aby uznać badacza za narzędzie analizy, warto stworzyć i prowadzić dziennik refleksyjności.

Proces refleksyjności można opisać jako badacza zastanawiającego się i dokumentującego, w jaki sposób jego wartości, pozycje, wybory i praktyki badawcze wpłynęły i ukształtowały badanie i ostateczną analizę danych. Dzienniki refleksyjne są nieco podobne do używania notatek analitycznych lub pisania notatek w teorii ugruntowanej , które mogą być przydatne do refleksji nad rozwijającymi się analizami i potencjalnymi wzorcami, tematami i koncepcjami. Przez cały proces kodowania badacze powinni mieć szczegółowe zapisy rozwoju każdego ze swoich kodów i potencjalnych tematów. Ponadto zmiany wprowadzone w tematach i powiązania między tematami można omówić w raporcie końcowym, aby pomóc czytelnikowi w zrozumieniu decyzji podjętych w całym procesie kodowania.

Po zakończeniu gromadzenia danych i rozpoczęciu przez badaczy faz analizy danych, powinni sporządzić notatki na temat ich pierwszego wrażenia z danych. Rejestrowanie pomysłów do przyszłej analizy może pomóc w zapisaniu myśli i refleksji i może służyć jako punkt odniesienia dla potencjalnych pomysłów dotyczących kodowania, gdy przechodzi się z jednej fazy do drugiej w procesie analizy tematycznej.

Praktyka kodowania

Pytania do rozważenia podczas kodowania mogą obejmować:

• Co robią ludzie? Co oni próbują osiągnąć?
• Jak dokładnie to robią? Jakie konkretne środki lub strategie są stosowane?
• Jak ludzie rozmawiają i rozumieją, co się dzieje?
• Jakie są ich założenia?
• Co widzę, co się tutaj dzieje? Czego nauczyłem się dzięki robieniu notatek?
• Dlaczego je uwzględniłem?

Takie pytania są na ogół zadawane podczas wszystkich cykli procesu kodowania i analizy danych. Dziennik refleksyjności jest często używany do identyfikacji potencjalnych kodów, które początkowo nie były istotne dla badania.

Rozważania dotyczące wielkości próbki

W analizie tematycznej nie ma prostej odpowiedzi na pytania dotyczące wielkości próby; tak jak nie ma jednoznacznej odpowiedzi na wielkość próby w badaniach jakościowych szerzej (klasyczna odpowiedź brzmi „to zależy” – od zakresu badania, pytania i tematu badawczego, metody lub metod zbierania danych, bogactwa indywidualnych elementy danych, podejście analityczne). Niektórzy zwolennicy wiarygodności kodowania i książki kodów dostarczają wskazówek dotyczących określania wielkości próby przed analizą danych - koncentrując się na koncepcji nasycenia lub redundancji informacji (w danych nie są widoczne żadne nowe informacje, kody ani motywy). Te próby „operacjonalizacji” nasycenia sugerują, że nasycenie kodem (często definiowane jako identyfikacja jednej instancji kodu) można osiągnąć w ciągu zaledwie 12, aw pewnych okolicznościach nawet 6 wywiadów. Uważa się, że nasycenie znaczeniem – rozwijanie „bogatej tekstury” rozumienia zagadnień – wymaga większych próbek (co najmniej 24 wywiady). Istnieje wiele krytyki koncepcji nasycenia danymi - wielu twierdzi, że jest ona osadzona w realistycznej koncepcji stałego znaczenia, aw paradygmacie jakościowym zawsze istnieje możliwość nowego zrozumienia ze względu na rolę badacza w interpretacji znaczenia. Niektórzy badacze ilościowi zaproponowali modele statystyczne do określania wielkości próby przed zbieraniem danych w analizie tematycznej. Na przykład Fugard i Potts zaoferowali prospektywne, ilościowe narzędzie wspierające myślenie o wielkości próby przez analogię do ilościowe metody szacowania liczebności próby . Lowe i współpracownicy zaproponowali ilościowe, probabilistyczne miary stopnia nasycenia, które można obliczyć na podstawie początkowej próbki i wykorzystać do oszacowania wielkości próbki wymaganej do osiągnięcia określonego poziomu nasycenia. Ich analiza wskazuje, że powszechnie stosowane dwumianowe metody szacowania wielkości próby mogą znacznie zaniżać wielkość próby wymaganą do nasycenia. Wszystkie te narzędzia były krytykowane przez badaczy jakościowych (w tym Brauna i Clarke'a) za poleganie na założeniach dotyczących badań jakościowych, analizie tematycznej i tematach, które są sprzeczne z podejściami, które traktują priorytetowo wartości badań jakościowych.

Sześć faz analizy tematycznej Brauna i Clarke'a

Faza	Proces	Wynik	Wpisy do dziennika refleksyjności
Faza 1	Odczytuj i ponownie czytaj dane, aby zapoznać się z tym, co one zawierają, zwracając szczególną uwagę na występujące wzorce.	Wstępne kody „startowe” i szczegółowe uwagi.	Wypisz kody startowe w dzienniku wraz z opisem znaczenia każdego kodu i źródłem kodu.
Faza 2	Wygeneruj początkowe kody, dokumentując, gdzie i jak występują wzorce. Dzieje się tak poprzez redukcję danych, w której badacz łączy dane w etykiety w celu stworzenia kategorii do bardziej wydajnej analizy. Komplikacja danych jest tutaj również zakończona. Wiąże się to z wyciąganiem przez badacza wniosków na temat znaczenia kodów.	Kompleksowe kody tego, jak dane odpowiadają na pytanie badawcze.	Podaj szczegółowe informacje o tym, jak i dlaczego kody zostały połączone, jakie pytania zadaje badacz w odniesieniu do danych i jak kody są ze sobą powiązane.
Faza 3	Łącz kody w nadrzędne motywy, które dokładnie przedstawiają dane. Przy opracowywaniu tematów ważne jest, aby badacz dokładnie opisał, co oznaczają tematy, nawet jeśli temat nie wydaje się „pasować”. Badacz powinien również opisać, czego brakuje w analizie.	Lista tematów kandydujących do dalszej analizy.	Czasopisma refleksyjne muszą odnotowywać, w jaki sposób kody były interpretowane i łączone w celu utworzenia tematów.
Faza 4	Na tym etapie badacz przygląda się, w jaki sposób tematy wspierają dane i nadrzędną perspektywę teoretyczną. Jeśli analiza wydaje się niekompletna, badacz musi wrócić i znaleźć to, czego brakuje.	Spójne rozpoznanie, w jaki sposób motywy są wzorowane, aby opowiedzieć dokładną historię o danych.	Notatki muszą obejmować proces rozumienia tematów i ich dopasowanie do podanych kodów. Odpowiedzi na pytania badawcze i pytania oparte na danych muszą być niezwykle złożone i dobrze poparte danymi.
Faza 5	Badacz musi określić, czym jest każdy temat, jakie aspekty danych są przechwytywane i co jest interesujące w tematach.	Kompleksowa analiza tego, co tematy przyczyniają się do zrozumienia danych.	Badacz powinien opisać każdy temat w kilku zdaniach.
Faza 6	Kiedy naukowcy piszą raport, muszą zdecydować, które tematy wnoszą znaczący wkład w zrozumienie tego, co dzieje się w danych. Badacze powinni również przeprowadzać „ sprawdzanie członków ”. W tym miejscu badacze wracają do próbki, aby sprawdzić, czy ich opis jest dokładnym przedstawieniem.	Obszerny opis wyników.	Zwróć uwagę, dlaczego poszczególne tematy są bardziej przydatne do wnoszenia wkładu i zrozumienia, co dzieje się w zbiorze danych. Opisz proces wyboru sposobu raportowania wyników.

Faza 1: Zapoznanie się z danymi

Ten sześciofazowy proces analizy tematycznej opiera się na pracy Brauna i Clarke'a oraz ich refleksyjnym podejściu do analizy tematycznej . Ten sześciofazowy cykliczny proces polega na przechodzeniu tam iz powrotem między fazami analizy danych w razie potrzeby, dopóki nie będziesz zadowolony z ostatecznych motywów. Badacze przeprowadzający analizę tematyczną powinni próbować wyjść poza powierzchowne znaczenie danych, aby nadać sens danym i opowiedzieć bogatą i przekonującą historię o znaczeniu danych. Procedury związane z innymi podejściami do analizy tematycznej są raczej różne. Ten opis sześciofazowego procesu Brauna i Clarke'a zawiera również omówienie kontrastujących spostrzeżeń dostarczonych przez innych zwolenników analizy tematycznej. Początkowa faza refleksyjnej analizy tematycznej jest wspólna dla większości podejść – faza zapoznawania się z danymi. W tym miejscu badacze zapoznają się z zawartością swoich danych - zarówno szczegółami każdego elementu danych, jak i "szerszym obrazem". W innych podejściach badacze przed odczytaniem danych mogą stworzyć „listę startową” potencjalnych kodów. Ponieważ podejście Brauna i Clarke'a ma na celu skupienie się na danych, a nie na wcześniejszych koncepcjach badacza, zalecają oni jedynie opracowanie kodów przed zapoznaniem się z podejściami dedukcyjnymi, w których kodowanie jest kierowane przez istniejącą wcześniej teorię. Według Milesa i Hubermana, w ich podejściu macierzowym, „kody początkowe” powinny być zawarte w dzienniku refleksyjności z opisem reprezentacji każdego kodu i miejsca, w którym kod jest ustanowiony. Aktywna analiza danych pomoże badaczom w poszukiwaniu znaczeń i wzorców w zbiorze danych. Na tym etapie kuszące jest przyspieszenie tej fazy zaznajamiania się i natychmiastowe rozpoczęcie generowania kodów i motywów; jednak ten proces zanurzenia pomoże naukowcom w identyfikacji możliwych tematów i wzorców. Czytanie i ponowne czytanie materiału, dopóki badacz nie poczuje się komfortowo, ma kluczowe znaczenie dla początkowej fazy analizy. Podczas zapoznawania się z materiałem robienie notatek jest kluczową częścią tego kroku, aby rozpocząć opracowywanie potencjalnych kodów.

Transkrypcja

Po zakończeniu zbierania danych badacz może potrzebować transkrypcji swoich danych na formę pisemną (np. nagrane dane audio, takie jak wywiady). Braun i Clarke dostarczają system notacji transkrypcji do wykorzystania z ich podejściem w swoim podręczniku Udane badania jakościowe . Jakość transkrypcji danych jest niezbędna dla wiarygodności analizy. Kryteria transkrypcji danych muszą zostać ustalone przed rozpoczęciem fazy transkrypcji, aby zapewnić wysoką niezawodność.

Niektórzy zwolennicy analizy tematycznej - szczególnie ci zakorzenieni w pozytywizmie - wyrażają zaniepokojenie dokładnością transkrypcji. Niespójności w transkrypcji mogą powodować „błędy” w analizie danych, które będą trudne do zidentyfikowania na późniejszym etapie procesu analizy. Dla innych, w tym Brauna i Clarke'a, transkrypcja jest postrzegana jako proces interpretacyjny i osadzony teoretycznie, a zatem nie może być „dokładna” w prostym sensie, ponieważ badacz zawsze dokonuje wyborów dotyczących sposobu tłumaczenia tekstu mówionego na tekst pisany. Nie oznacza to jednak, że badacze nie powinni dążyć do dokładności swoich transkrypcji i stosować systematyczne podejście do transkrypcji. Idealnie byłoby, gdyby autorzy dostarczyli klucz do swojego systemu notacji transkrypcji, aby od razu było jasne, co oznaczają poszczególne notacje. Wstawianie komentarzy typu „*zniżony głos*” zasygnalizuje zmianę mowy. Ogólna ogólna wskazówka, którą należy się kierować przy planowaniu czasu na transkrypcję – poświęć 15 minut na transkrypcję na każde 5 minut dialogu. Transkrypcja może stanowić część procesu zaznajamiania się.

Po tym etapie badacz powinien czuć się zaznajomiony z zawartością danych i powinien być w stanie zacząć identyfikować jawne wzorce lub powtarzające się problemy w danych. Wzorce te należy zapisać w dzienniku refleksyjności, gdzie będą przydatne podczas kodowania danych. Inni zwolennicy AT konceptualizują kodowanie jako badacza, który zaczyna przejmować kontrolę nad danymi. Uważają, że ważne jest zaznaczenie danych, które odpowiadają na pytanie badawcze. Dla nich to początek procesu kodowania.

Faza 2: Generowanie kodów

Drugim krokiem w refleksyjnej analizie tematycznej jest oznaczenie interesujących nas elementów danych etykietą (kilka słów lub krótka fraza). Etykieta ta powinna wyraźnie przywoływać istotne cechy danych - jest to ważne dla późniejszych etapów rozwoju tematu. Ten systematyczny sposób organizowania i identyfikowania znaczących części danych związanych z pytaniem badawczym nazywa się kodowaniem . Proces kodowania ewoluuje poprzez zanurzenie badacza w swoich danych i nie jest uważany za proces liniowy, ale cykliczny, w którym kody są opracowywane i udoskonalane.

Proces kodowania rzadko kończy się na jednym przejściu przez dane. Saladana zaleca, aby za każdym razem, gdy badacze analizują zbiór danych, dążyli do udoskonalenia kodów poprzez dodawanie, odejmowanie, łączenie lub dzielenie potencjalnych kodów. Dla Milesa i Hubermana „kody startowe” są tworzone na podstawie terminologii używanej przez uczestników podczas wywiadu i mogą być używane jako punkt odniesienia dla ich doświadczeń podczas wywiadu. W przypadku zwolenników analizy tematycznej o bardziej pozytywistycznych skłonnościach niezawodność wzrasta, gdy badacz używa konkretnych kodów, które są oparte na dialogu i mają charakter opisowy. Kody te ułatwią badaczowi zlokalizowanie fragmentów danych na późniejszym etapie procesu i ustalenie, dlaczego je uwzględniono. Jednak Braun i Clarke nakłaniają badaczy, aby wykroczyli poza skupienie się wyłącznie na opisie i podsumowaniu i zaangażowali się w interpretację danych - badając zarówno jawne (semantyczne), jak i ukryte (utajone) znaczenie. Kodowanie przygotowuje grunt pod późniejszą szczegółową analizę, umożliwiając badaczowi reorganizację danych zgodnie z pomysłami uzyskanymi w trakcie całego procesu. Wpisy w dzienniku refleksyjności dla nowych kodów służą jako punkt odniesienia dla uczestnika i jego sekcji danych, przypominając badaczowi, aby zrozumiał, dlaczego i gdzie uwzględni te kody w ostatecznej analizie. W całym procesie kodowania należy poświęcić pełną i równą uwagę każdemu elementowi danych, ponieważ pomoże to w identyfikacji niezauważalnych w inny sposób powtarzających się wzorców. Kodowanie tak kompleksowe, jak to tylko możliwe, jest ważne — kodowanie poszczególnych aspektów danych, które mogą wydawać się nieistotne, może potencjalnie mieć kluczowe znaczenie w późniejszym procesie analizy.

Dla socjologów Coffeya i Atkinsona kodowanie obejmuje również proces redukcji i komplikacji danych. Redukcja kodów jest inicjowana przez przypisanie znaczników lub etykiet do zbioru danych na podstawie pytania badawczego. Na tym etapie kondensacja dużych zbiorów danych w mniejsze jednostki umożliwia dalszą analizę danych poprzez tworzenie użytecznych kategorii. Kody in vivo są również tworzone poprzez stosowanie odniesień i terminologii od uczestników w ich wywiadach. Kodowanie pomaga w opracowywaniu, przekształcaniu i rekonceptualizacji danych oraz pomaga znaleźć więcej możliwości analizy. Badacze powinni zadawać pytania związane z danymi i generować teorie na podstawie danych, wykraczające poza to, co zostało wcześniej zgłoszone w poprzednich badaniach.

Redukcja danych (Coffey i Atkinson)

Dla niektórych zwolenników analizy tematycznej kodowanie może być traktowane jako sposób na redukcję danych lub ich uproszczenie (nie dotyczy to Brauna i Clarke'a, którzy postrzegają kodowanie zarówno jako redukcję danych, jak i ich interpretację). W przypadku Coffeya i Atkinsona użycie prostych, ale obszernych kodów analitycznych umożliwia zredukowanie danych do łatwiejszego w zarządzaniu wyczynu. Na tym etapie analizy danych analityk musi skupić się na identyfikacji prostszego sposobu organizacji danych. Badacze korzystający z redukcjonizmu danych powinni uwzględnić proces indeksowania tekstów danych, które mogą obejmować: notatki terenowe, transkrypcje wywiadów lub inne dokumenty. Dane na tym etapie są redukowane do klas lub kategorii, w których badacz jest w stanie zidentyfikować segmenty danych, które mają wspólną kategorię lub kod. Siedel i Kelle zaproponowali trzy sposoby pomocy w procesie redukcji i kodowania danych: (a) zauważanie odpowiednich zjawisk, (b) zbieranie przykładów zjawisk oraz (c) analizowanie zjawisk w celu znalezienia podobieństw, różnic, wzorców i nakładających się struktur. Ten aspekt kodowania danych jest ważny, ponieważ na tym etapie badacze powinni dołączać do danych kody, aby umożliwić badaczowi myślenie o danych na różne sposoby. Kodowania nie można postrzegać jako ścisłej redukcji danych, komplikacje danych można wykorzystać jako sposób na otwarcie danych w celu dalszego zbadania. Poniższa sekcja dotyczy procesu komplikowania danych Coffeya i Atkinsona oraz jego znaczenia dla analizy danych w analizie jakościowej.

Komplikacja danych (Coffey i Atkinson)

Dla Coffeya i Atkinsona proces tworzenia kodów można opisać zarówno jako redukcję danych, jak i ich komplikowanie. Komplikację danych można opisać jako wykraczanie poza dane i zadawanie pytań dotyczących danych w celu wygenerowania ram i teorii. Komplikacja danych jest wykorzystywana do rozszerzania danych w celu tworzenia nowych pytań i interpretacji danych. Badacze powinni upewnić się, że proces kodowania nie powoduje utraty większej ilości informacji niż ich pozyskania. Tesch zdefiniował komplikację danych jako proces rekonceptualizacji danych, dający nowe konteksty dla segmentów danych. Komplikacja danych służy jako sposób na zapewnienie nowych kontekstów dla sposobu, w jaki dane są przeglądane i analizowane.

Kodowanie to proces dzielenia danych za pomocą metod analitycznych w celu generowania pytań dotyczących danych, dostarczania tymczasowych odpowiedzi na temat relacji w danych i między nimi. Dekontekstualizacja i rekontekstualizacja pomagają zredukować i rozszerzyć dane na nowe sposoby dzięki nowym teoriom.

Faza 3: Generowanie początkowych motywów

Wyszukiwanie tematów i rozważanie, co w ramach tematów działa, a co nie, umożliwia badaczowi rozpoczęcie analizy potencjalnych kodów. Na tym etapie ważne jest, aby zacząć od zbadania, w jaki sposób kody łączą się, tworząc w danych zbyt rozległe motywy. W tym momencie badacze mają listę tematów i zaczynają skupiać się na szerszych wzorcach w danych, łącząc zakodowane dane z proponowanymi tematami. Badacze zaczynają również zastanawiać się, w jaki sposób tworzą się relacje między kodami i tematami oraz między różnymi poziomami istniejących tematów. Pomocne może być użycie modeli wizualnych do sortowania kodów według potencjalnych tematów.

znaczenie danych . Opisują wynik kodowania dla refleksji analitycznej. Tematy składają się z pomysłów i opisów w obrębie kultury, które można wykorzystać do wyjaśnienia przyczynowych zdarzeń, stwierdzeń i moralności wywodzących się z historii uczestników. W kolejnych fazach ważne jest, aby zawęzić potencjalne tematy, aby zapewnić temat nadrzędny. Analiza tematyczna pozwala na wyłonienie z danych kategorii lub tematów, takich jak: powtarzające się pomysły; rodzime terminy, metafory i analogie; zmiany w temacie; oraz podobieństwa i różnice w ekspresji językowej uczestników. W tym momencie ważne jest, aby zająć się nie tylko tym, co jest obecne w danych, ale także tym, czego w danych brakuje. zakończenie tej fazy powinno dać wiele kandydujących tematów zebranych w całym procesie przetwarzania danych. Bardzo ważne jest, aby unikać odrzucania tematów, nawet jeśli są one początkowo nieistotne, ponieważ mogą one być ważnymi tematami w dalszej części procesu analizy.

Faza 4: Przegląd tematów

Ta faza wymaga od badaczy sprawdzenia ich początkowych tematów w porównaniu z zakodowanymi danymi i całym zbiorem danych – ma to na celu upewnienie się, że analiza nie odeszła zbytnio od danych i dostarczy przekonującego opisu danych istotnych dla pytania badawczego. Ten proces przeglądu pozwala również na dalsze rozszerzanie i rewizję tematów w miarę ich rozwoju. W tym momencie badacze powinni mieć zestaw potencjalnych tematów, ponieważ na tym etapie ma miejsce przeróbka początkowych tematów. Niektóre istniejące motywy mogą się ze sobą zlewać, inne mogą wymagać skondensowania w mniejsze jednostki lub porzucenia wszystkich razem.

W szczególności ta faza obejmuje dwa poziomy udoskonalania i przeglądania motywów. Powiązania między nakładającymi się tematami mogą służyć jako ważne źródła informacji i mogą ostrzegać badaczy o możliwości pojawienia się nowych wzorców i problemów w danych. Dla Gościa i współpracowników odchylenia od zakodowanego materiału mogą powiadomić badacza, że ​​temat może w rzeczywistości nie być przydatny do zrozumienia danych i powinien zostać odrzucony. Oba te potwierdzenia należy odnotować w dzienniku refleksyjności badacza, uwzględniając również brak tematów. Kody służą jako sposób powiązania danych z koncepcją tej koncepcji danej osoby. W tym momencie badacz powinien skupić się na interesujących aspektach kodów i dlaczego pasują do siebie.

Poziom 1 (Przegląd tematów w porównaniu z zakodowanymi danymi)

Przeglądanie zakodowanych wyciągów danych pozwala naukowcom określić, czy tematy tworzą spójne wzorce. W takim przypadku badacze powinni przejść do Poziomu 2. Jeśli tematy nie tworzą spójnych wzorców, konieczne jest rozważenie potencjalnie problematycznych tematów. Jeśli motywy są problematyczne, ważne jest, aby przerobić motyw, a podczas tego procesu mogą pojawić się nowe motywy. Na przykład problematyczne jest, gdy wydaje się, że motywy nie „działają” (uchwytują coś atrakcyjnego w danych) lub w znacznym stopniu nakładają się na siebie. Może to skutkować słabą lub nieprzekonującą analizą danych. W takim przypadku konieczne może być rozpoznanie danych w celu stworzenia spójnych, wzajemnie wykluczających się motywów.

Poziom 2 (Przegląd motywów w odniesieniu do całego zbioru danych)

Kolejnym etapem przeglądu jest rozważenie zasadności poszczególnych tematów i sposobu, w jaki łączą się one ze zbiorem danych jako całością. Konieczna jest ocena, czy potencjalna mapa tematyczna zawiera ważne informacje w danych istotnych dla pytania badawczego. Ponownie, na tym etapie ważne jest, aby odczytywać i ponownie odczytywać dane, aby określić, czy bieżące tematy odnoszą się do zbioru danych. Aby wspomóc ten proces, konieczne jest zakodowanie wszelkich dodatkowych elementów, które mogły zostać pominięte wcześniej na początkowym etapie kodowania. Jeśli mapa potencjału „działa” w celu sensownego uchwycenia i opowiedzenia spójnej historii o danych, badacz powinien przejść do następnej fazy analizy. Jeśli mapa nie działa, należy powrócić do danych w celu dalszego przeglądania i udoskonalania istniejących tematów, a być może nawet podjęcia dalszego kodowania. Niezgodności między danymi a twierdzeniami analitycznymi zmniejszają zakres wsparcia, jakie mogą zapewnić dane. Można tego uniknąć, jeśli badacz jest pewien, że jego interpretacja danych i spostrzeżenia analityczne są zgodne. Badacze powtarzają ten proces, aż będą zadowoleni z mapy tematycznej. Pod koniec tej fazy badacze mają pojęcie o tym, jakie są tematy i jak pasują do siebie, aby przekazać opowieść o zbiorze danych.

Faza 5: Definiowanie i nazywanie tematów

Zdefiniowanie i udoskonalenie istniejących tematów, które zostaną przedstawione w końcowej analizie, pomaga badaczowi w analizie danych w ramach każdego tematu. Na tym etapie identyfikacja istot tematów odnosi się do tego, w jaki sposób każdy konkretny temat tworzy część całego obrazu danych. Analiza na tym etapie charakteryzuje się określeniem, które aspekty danych są przechwytywane i co jest interesujące w tematach oraz w jaki sposób tematy pasują do siebie, aby opowiedzieć spójną i przekonującą opowieść o danych.

Aby określić, czy aktualne tematy zawierają podtematy i odkryć głębię tematów, ważne jest, aby rozważyć tematy w ramach całego obrazu, a także jako tematy autonomiczne. Braun i Clarke zalecają ostrożność przy rozwijaniu wielu podtematów i wielu poziomów tematów, ponieważ może to prowadzić do zbyt fragmentarycznej analizy. Badacze muszą następnie przeprowadzić i napisać szczegółową analizę, aby zidentyfikować historię każdego tematu i jego znaczenie. Pod koniec tej fazy badacze mogą (1) określić, z czego składają się aktualne tematy, oraz (2) wyjaśnić każdy temat w kilku zdaniach. Należy zauważyć, że badacze zaczynają myśleć o nazwach tematów, które dadzą czytelnikowi pełny obraz tematu i jego znaczenia. Brak pełnej analizy danych ma miejsce, gdy badacze nie wykorzystują danych do wspierania swojej analizy poza prostym opisem lub parafrazą treści danych. Badacze przeprowadzający analizę tematyczną powinni próbować wyjść poza powierzchowne znaczenie danych, aby nadać sens danym i opowiedzieć dokładną historię tego, co dane oznaczają.

Faza 6: Tworzenie raportu

Po dokonaniu przeglądu tematów końcowych badacze rozpoczynają proces pisania raportu końcowego. Pisząc raport końcowy, naukowcy powinni zdecydować o tematach, które wnoszą znaczący wkład w odpowiedzi na pytania badawcze, które należy później doprecyzować jako tematy końcowe. Zwolennikom niezawodności kodowania Gość i współpracownicy badacze przedstawiają dialog związany z każdym tematem w celu wsparcia zwiększenia niezawodności poprzez obszerny opis wyników. Celem tej fazy jest napisanie analizy tematycznej, aby przekazać skomplikowaną historię danych w sposób, który przekona czytelnika o ważności i wartości twojej analizy. Jasny, zwięzły i prosty logiczny opis historii w różnych tematach jest ważny dla czytelników, aby zrozumieć raport końcowy. Opracowanie raportu powinno zawierać wystarczające dowody na to, że tematy zawarte w danych są istotne dla zbioru danych. Wyciągi powinny być zawarte w narracji, aby uchwycić pełne znaczenie punktów w analizie. Argument powinien być na poparcie pytania badawczego. Dla niektórych zwolenników analizy tematycznej ostatnim krokiem w tworzeniu raportu jest uwzględnienie sprawdzanie członków jako środek do ustalenia wiarygodności badacze powinni rozważyć podjęcie ostatecznych tematów i wspieranie dialogu z uczestnikami w celu uzyskania informacji zwrotnych. Jednak Braun i Clarke krytycznie odnoszą się do praktyki sprawdzania członków i generalnie nie postrzegają jej jako pożądanej praktyki w ich refleksyjnym podejściu do analizy tematycznej. Oprócz podkreślenia wielu praktycznych obaw związanych z sprawdzaniem członków, argumentują, że jest to tylko teoretycznie spójne z podejściami, które mają na celu opisanie i podsumowanie kont uczestników w sposób, który byłby dla nich rozpoznawalny. Biorąc pod uwagę ich podejście do refleksyjnej analizy tematycznej, aktywna, interpretacyjna rola badacza może nie dotyczyć analiz generowanych przy użyciu ich podejścia.

Zalety i wady

Techniczne lub pragmatyczne spojrzenie na ośrodki projektowania badań prowadzi naukowców przeprowadzających analizę jakościową przy użyciu najbardziej odpowiedniej metody dla pytania badawczego. Jednak rzadko istnieje tylko jedna idealna lub odpowiednia metoda, dlatego często stosuje się inne kryteria wyboru metod analizy - teoretyczne zobowiązania badacza i jego znajomość poszczególnych metod. Analiza tematyczna zapewnia elastyczną metodę analizy danych i pozwala naukowcom o różnym zapleczu metodologicznym angażować się w tego typu analizy. Dla pozytywistów „wiarygodność” jest problemem ze względu na liczne możliwe interpretacje danych i możliwość subiektywności badacza do „stronniczości” lub zniekształcenia analizy. Dla tych, którzy wyznają jakościowe wartości badawcze, subiektywność badacza jest postrzegana jako zasób (raczej niż zagrożenie dla wiarygodności), więc obawy o rzetelność nie mają miejsca. Nie ma jednej poprawnej lub dokładnej interpretacji danych, interpretacje są nieuchronnie subiektywne i odzwierciedlają pozycję badacza. Jakość osiąga się poprzez systematyczne i rygorystyczne podejście oraz poprzez nieustanną refleksję badacza nad tym, w jaki sposób kształtuje on rozwijającą się analizę. Braun i Clarke opracowali tzw 15-punktowa lista kontrolna jakości dla ich refleksyjnego podejścia. Dla zwolenników analizy tematycznej wiarygodności kodowania kluczowe znaczenie ma korzystanie z wielu koderów i pomiar zgodności kodowania.

Analiza tematyczna ma kilka zalet i wad, do badaczy należy decyzja, czy ta metoda analizy jest odpowiednia dla ich projektu badawczego.

Zalety

• Elastyczność teoretyczna i projektowa badań, jaką zapewnia badaczom – do tego procesu można zastosować wiele teorii w różnych epistemologiach.
• Dobrze nadaje się do dużych zbiorów danych.
• Podejścia do książek kodowych i niezawodności kodowania są przeznaczone do użytku w zespołach badawczych.
• Interpretacja tematów poparta danymi.
• Ma zastosowanie do pytań badawczych, które wykraczają poza doświadczenie jednostki.
• Pozwala na indukcyjne tworzenie kodów i motywów z danych.

Niedogodności

• Analiza tematyczna może przeoczyć szczegółowe dane, jeśli badacz nie jest ostrożny i stosuje analizę tematyczną w teoretycznej próżni.
• Elastyczność może utrudniać początkującym badaczom podjęcie decyzji, na których aspektach danych należy się skoncentrować.
• Ograniczona moc interpretacyjna analizy nie jest osadzona w ramach teoretycznych.
• Trudno zachować poczucie ciągłości danych na poszczególnych kontach ze względu na skupienie się na identyfikowaniu tematów w elementach danych.
• Nie pozwala naukowcom na wysuwanie technicznych twierdzeń dotyczących użycia języka (w przeciwieństwie do analizy dyskursu i analizy narracji).

Spinki do mankietów

• Analiza tematyczna - Uniwersytet w Auckland
• Wykład Victorii Clarke na YouTube przedstawiający różne podejścia do analizy tematycznej
• Wykład Virginii Braun i Victorii Clarke na YouTube, stanowiący wprowadzenie do ich podejścia do analizy tematycznej

Zobacz też

• Indukcja analityczna
• Studium przypadku
• Analiza treści
• Etnografia krytyczna
• Krytyczna teoria
• Badania dialektyczne
• Analiza dyskursu
• Psychologia edukacyjna
• Etnometodologia
• Etnografia
• Grupa fokusowa
• Teoria ugruntowana
• Sieci pomysłów
• Partycypacyjne badania w działaniu
• Fenomenografia
• Badania ilościowe
• Jakościowe badania marketingowe
• Jakościowe badania psychologiczne
• Dobór próby (studia przypadków)
• Nabieranie sensu
• Próbkowanie teoretyczne