Qualitative Forschung sammelt und analysiert nicht-numerische Daten (z. B. Video- oder Audiodaten), um Ideen, Standpunkte oder Erfahrungen besser zu verstehen. Durch den Einsatz dieses Instruments können ein besseres Verständnis eines Themas und neue Ideen für weitere Untersuchungen gewonnen werden. Für die statistische Analyse ist die qualitative Forschung nicht so sehr auf numerische Daten angewiesen wie die quantitative Forschung. Lesen Sie weiter, um mehr über die vor und nachteile qualitative forschung zu erfahren.

Qualitative Forschungsmethoden

Jede Forschungsmethodik setzt eine Reihe von Methoden zur Datenerhebung ein. In der qualitativen Forschung werden häufig die folgenden Instrumente eingesetzt:

• Beobachtungen: Aufschreiben von allem, was Sie gesehen, gehört oder gefühlt haben, während Sie im Feld unterwegs waren.
• Einzelgespräche mit Personen, in denen Sie ihnen spezifische Fragen stellen, werden als Interviews bezeichnet.
• Eine Fokusgruppe ist eine informelle Zusammenkunft von Menschen, denen Fragen gestellt werden und die zu einer Diskussion eingeladen werden.
• Bei der Sekundärforschung werden vorhandene Daten in Form von Texten, Fotos, Audio- oder Videoaufnahmen usw. gesammelt.

Sammeln und Analysieren von Daten mit dem Schwerpunkt auf Genauigkeit

Texte, Fotos, Videos und Tonaufnahmen sind allesamt Beispiele für qualitative Daten. Interviewtranskripte, Feldnotizen und Naturaufnahmen sind Beispiele für Datenquellen. Bei der Analyse einer großen Menge an qualitativen Daten ist es üblich, diese Verfahren zu befolgen:

• Organisieren und Vorbereiten der Informationen.
• Interviews oder Feldnotizen müssen möglicherweise transkribiert werden.
• Analysieren und Verstehen der gesammelten Fakten
• Suchen Sie nach wiederkehrenden Themen oder Mustern in Ihren Daten.
• Legen Sie fest, wie Sie Ihre Daten kategorisieren wollen.
• Erstellen Sie eine Sammlung von Codes, mit denen Sie Ihre Daten nach Ihren ersten Eindrücken sortieren können.
• Die Kodierung ist für alle Daten erforderlich.
• Ein Beispiel dafür ist die Analyse der Antworten von Teilnehmern einer qualitativen Umfrage. Wenn Sie Ihre Daten durchgehen, können Sie weitere Codes in Ihr System aufnehmen.
• Erkennen Sie wiederkehrende Themen oder Konzepte.
• Die Kodierung sollte in überschaubare, logische Abschnitte aufgeteilt werden.

Mehrere Vorteile der qualitativen Forschung

In der qualitativen Forschung werden die Stimmen und Standpunkte der Teilnehmer oft beibehalten, auch wenn neue Studienobjekte möglicherweise Änderungen erfordern. Im Laufe der Datenerhebung und -analyse können neue Ideen und Muster zutage treten. Man kann nicht im Voraus wissen, welche das sein werden. Die Datenerhebung in der realen Welt oder in der Natur wird in der freien Natur auf Feldern und in Wäldern durchgeführt. Perspektiven, die aufgeklärt sind:

• Detaillierte Beschreibungen der Emotionen und Wahrnehmungen von Menschen können bei der Entwicklung, Prüfung oder Verbesserung von Systemen oder Waren verwendet werden.
• Neue Ideen erfinden
• Auf diese Weise können Forscher neue Anliegen oder Möglichkeiten erkennen, die sie sonst nicht untersucht hätten.

Was sind die Nachteile?

Die Forscher müssen bei der Analyse und Interpretation ihrer Ergebnisse sowohl praktische als auch theoretische Grenzen berücksichtigen. Qualitative Forschung ist mit den folgenden Problemen behaftet:

• Unzuverlässigkeit

Qualitative Forschung kann aufgrund von Faktoren, die außerhalb der Kontrolle des Forschers liegen, verzerrt werden.

• Subjektivität

In der qualitativen Forschung hat der Forscher einen erheblichen Einfluss auf die Interpretation und Auslegung der Ergebnisse. Bei der Datenanalyse wählt der Forscher aus, was sinnvoll ist und was nicht, daher können die Interpretationen derselben Daten erheblich voneinander abweichen.

• Die Anwendbarkeit ist auf eine bestimmte Gruppe von Umständen beschränkt.

Häufig werden kleine Stichproben verwendet, um Daten in bestimmten Situationen zu sammeln. Trotz intensiver Forschungsmethoden ist es schwierig, verallgemeinerbare Schlussfolgerungen zu ziehen, da die Daten verzerrt oder nicht repräsentativ für die gesamte Bevölkerung sein können.

• Arbeitsintensiv

Trotz der Tatsache, dass viele Datenanalysen inzwischen automatisiert sind, ist in vielen Fällen immer noch die Mitarbeit von Menschen erforderlich.