داده های کیفی – تعریف، انواع، تجزیه و تحلیل مثالها، روشهای جمع آوری و اهمیت داده های کیفی

داده های کیفی – تعریف ، انواع ، تجزیه و تحلیل و مثالها ، روشهای جمع آوری ، و اهمیت داده های کیفی

تعریف داده های کیفی

داده های کیفی (Qualitative Data) به عنوان داده های تقریبی (نزدیک به کیفیت موردنظر) و مشخصه تعریف می شوند.

داده های کیفی را می توان مشاهده و ثبت کرد. این نوع داده ماهیتاً غیر عددی است. این نوع داده ها از طریق روش مشاهدات ، مصاحبه های یک به یک ، انجام گروه های متمرکز و روش های مشابه جمع آوری می شود. داده های کیفی در آمار به عنوان داده های طبقه ای نیز شناخته می شوند – داده هایی که می توانند براساس ویژگی ها و خصوصیات یک چیز یا یک پدیده به طور طبقه بندی شده تنظیم شوند.

 

مثالهای داده کیفی

داده های کیفی را داده های طبقه ای / طبقه بندی شده نیز می نامند زیرا این داده ها را می توان بر اساس طبقه بندی ها دسته بندی کرد.

به عنوان مثال ، به این فکر کنید که دانش آموز در یکی از جلسات کلاس ، یک پاراگراف از کتاب را بخواند. معلمی که به خواندن گوش می دهد ، درباره نحوه خواندن کودک آن پاراگراف بازخورد می دهد. اگر معلم بر اساس روان بودن ، لحن صدا ، ادای کلمات ، وضوح تلفظ بدون دادن نمره به کودک بازخورد دهد ، این به عنوان نمونه ای از داده های کیفی در نظر گرفته می شود.

درک تفاوت بین داده های کمی و کیفی بسیار آسان است. داده های کیفی در تعریف صفات ، اعداد را شامل نمی شوند ، در حالی که داده های کمی همه در مورد اعداد است.

این کیک به رنگ نارنجی ، آبی و مشکی است (کیفی).

ماده ها موهای قهوه ای ، سیاه ، بلوند و قرمز دارند (از نظر کیفی).

داده های کمی هر اطلاعات کمی است که می تواند برای محاسبه ریاضی یا تجزیه و تحلیل آماری استفاده شود. این شکل از داده ها به تصمیم گیری در زندگی واقعی مبتنی بر مشتقات ریاضی کمک می کند. از داده های کمی برای پاسخ به سوالاتی مانند چند استفاده می شود؟ چند وقت؟ چقدر؟ این داده ها دارای اعتبار و تأیید شده هستند.

برای درک بهتر مفهوم داده های کمی و کیفی ، بهتر است نمونه هایی از مجموعه داده های خاص و چگونگی تعریف آنها را مشاهده کنید. موارد زیر مثالها و نمونه هایی از داده های کمی است.

چهار کیک و سه مافین در سبد نگهداری می شود (کمی).

یک لیوان نوشیدنی گازدار 97.5 کالری (کمی) دارد.

 

اهمیت داده ها

اهمیت داده های کیفی در چیست ؟ داده های کیفی در تعیین فراوانی خاص صفات یا ویژگی ها مهم هستند. این داده ها به آماردانان یا محققان اجازه می دهد پارامترهایی را تشکیل دهند که از طریق آنها می توان مجموعه داده های بزرگتری را مشاهده کرد. داده های کیفی ابزاری را فراهم می کند که ناظران می توانند جهان پیرامون خود را کمی کنند.

برای یک محقق بازار ، جمع آوری داده های کیفی به پاسخگویی به سوالاتی کمک می کند ، اینکه مشتری آنها چه کسانی هستند ، با چه موضوعاتی روبرو هستند و کجا باید توجه خود را متمرکز کنند ، بنابراین مشکلات یا موانع برطرف می شوند.

داده های کیفی در مورد احساسات یا ادراک افراد ، احساساتی است که دارند. در داده های کمی ، این برداشت ها و احساسات ثبت شده است. این به محققان بازار کمک می کند زبانی را که مصرف کنندگانشان صحبت می کنند درک کنند و به طور موثر و کارآمد با این مشکل کنار بیایند.

 

روشهای جمع آوری 

جمع آوری داده های کیفی به صورت اکتشافی است. این شامل تجزیه و تحلیل و تحقیق عمیق است. روشهای جمع آوری داده های کیفی عمدتا بر کسب بینش ، استدلال و انگیزه متمرکز است. از این رو از نظر تحقیق عمیق تر می شوند. از آنجا که داده های کیفی قابل اندازه گیری نیستند ، محققان روش ها یا ابزارهای جمع آوری داده را ترجیح می دهند که تا حد محدودی ساختار داشته باشند.

در اینجا روشهای جمع آوری داده های کیفی وجود دارد:

مصاحبه های یک به یک 

این یکی از رایج ترین ابزارهای جمع آوری داده برای تحقیقات کیفی است که دلیل اصلی آن رویکرد شخصی آن است. مصاحبه کننده یا محقق داده ها را مستقیماً از مصاحبه شونده به صورت یک به یک جمع آوری می کند. مصاحبه ممکن است غیررسمی و بدون ساختار – گفتگو باشد. عموماً سوالات باز به صورت خودجوش پرسیده می شوند . به مصاحبه کننده اجازه می دهد در جریان مصاحبه سوالات پرسیده شده را تعیین کند.

گروه های کانونی 

برای این کار در یک محیط بحث گروهی انجام می شود. این گروه به 6-10 نفر محدود می شود و یک ناظر برای تعدیل بحث در حال انجام اختصاص داده شده است.

بسته به داده هایی که مرتب شده اند ، اعضای یک گروه ممکن است مشترکاتی داشته باشند. به عنوان مثال ، محققی که در حال انجام مطالعه روی دوندگان دو و میدانی است ، ورزشکارانی را انتخاب می کند که دونده دو و میدانی باشند. یا دونده باشند و از موضوع آگاهی کافی داشته باشند.

ثبت سوابق

این روش از اسناد قابل اعتماد موجود و منابع اطلاعاتی مشابه استفاده می کند. از این داده ها می توان در تحقیقات جدید استفاده کرد. شبیه کتابخانه رفتن است. در آنجا می توان کتابها و سایر مطالب مرجع را برای جمع آوری داده های مربوطه که می تواند در تحقیق استفاده شود ، جستجو کرد.

فرآیند مشاهده

در این روش جمع آوری اطلاعات کیفی ، محقق خود را در محیطی که پاسخگویانش هستند غرق می کند و به شرکت کنندگان بسیار چشم می دوزد و یادداشت برداری می کند. این به عنوان فرآیند مشاهده شناخته می شود.

علاوه بر یادداشت برداری ، می توان از روش های مستند سازی دیگر ، مانند ضبط ویدیو و صدا ، عکاسی و روش های مشابه استفاده کرد.

مطالعات طولی

این روش جمع آوری داده ها به طور مکرر و در یک دوره طولانی روی همان منبع داده انجام می شود. این یک روش تحقیق مشاهده ای است که برای چند سال ادامه دارد و در بعضی موارد حتی برای دهه ها نیز ادامه دارد. این روش جمع آوری اطلاعات با هدف یافتن ارتباط از طریق یک مطالعه تجربی روی افراد با صفات مشترک است.

مطالعات موردی

در این روش ، داده ها با تجزیه و تحلیل عمیق مطالعات موردی جمع آوری می شوند. تطبیق پذیری این روش در چگونگی استفاده از این روش برای تجزیه و تحلیل موضوعات ساده و پیچیده نشان داده شده است. نقطه قوت این روش این است که چه میزان منطق ترکیبی از یک یا چند روش جمع آوری داده های کیفی برای استنتاج استفاده می کند.

 

تجزیه و تحلیل دادههای کیفی

تجزیه و تحلیل داده های شما حیاتی است ، زیرا برای جمع آوری آنها وقت و هزینه صرف کرده اید. این یک فرآیند اساسی است زیرا شما حتی پس از تلاش های زیاد نمی خواهید خود را در تاریکی پیدا کنید. با این حال ، هیچ قانون اساسی تعیین شده ای برای تجزیه و تحلیل داده های کیفی وجود ندارد. همه چیز با درک دو رویکرد اصلی داده های کیفی آغاز می شود.

دو رویکرد اصلی در تجزیه و تحلیل داده های کیفی

  رویکرد قیاسی – Deductive Approach

رویکرد قیاسی شامل تجزیه و تحلیل داده های کیفی بر اساس ساختاری است که توسط محقق از پیش تعیین شده است. یک محقق می تواند از سوالات به عنوان راهنمای تجزیه و تحلیل داده ها استفاده کند. این روش سریع و آسان است و می تواند مورد استفاده قرار گیرد. هنگامی که یک محقق ایده مناسبی در مورد پاسخ های احتمالی که قرار است از جمعیت نمونه دریافت کند ، داشته باشد.

  رویکرد استقرایی – Inductive Approach

برعکس ، روش استقرایی مبتنی بر یک ساختار از پیش تعیین شده یا قوانین / چارچوبی اساسی نیست. وقت گیرتر و رویکرد کاملی برای تجزیه و تحلیل داده های کیفی است. رویکرد استقرایی غالباً هنگامی استفاده می شود که محقق نسبت به پدیده تحقیق اطلاعات بسیار اندک باشد یا تصوری از آن نداشته باشد.

 

مراحل تجزیه و تحلیل داده های کیفی

5 مرحله برای تجزیه و تحلیل داده ها

این که آیا شما به دنبال تجزیه و تحلیل داده های کیفی جمع آوری شده از طریق مصاحبه یک به یک یا داده های کیفی از یک نظر سنجی هستید ، مراحل ساده  زیر تجزیه و تحلیل داده های قوی را تضمین می کند.

مرحله 1: داده های خود را مرتب کنید

هنگامی که همه داده ها را جمع آوری کردید ، تا حد زیادی بدون ساختار است و گاهی اوقات در یک نگاه بی معنی است. بنابراین ، ضروری است که شما به عنوان یک محقق ، ابتدا نیاز به رونویسی از داده های جمع آوری شده داشته باشید. اولین گام در تجزیه و تحلیل داده ها ترتیب منظم آن است. ترتیب داده ها به معنای تبدیل تمام داده ها به قالب متن است. می توانید داده ها را به صفحه گسترده وارد کنید یا داده ها را به صورت دستی تایپ کنید یا  هر یک از ابزارهای تجزیه و تحلیل داده های کیفی با کمک رایانه انتخاب کنید.

مرحله 2: همه داده های خود را سازماندهی کنید

پس از تبدیل و تنظیم داده های خود ، مرحله بعدی بلافاصله سازماندهی داده های شما است. این احتمال وجود دارد که اطلاعات زیادی داشته باشید که هنوز هم باید به صورت منظمی مرتب شوند. یکی از بهترین راههای سازماندهی داده ها بازگشت به اهداف تحقیقاتی و سپس سازماندهی داده ها بر اساس سوالات مطرح شده است. هدف تحقیق خود را در یک جدول تنظیم کنید ، بنابراین از نظر بصری واضح به نظر می رسد. به هر قیمتی ، از وسوسه های کار با داده های غیر سازمان یافته خودداری کنید. شما در نهایت اتلاف وقت می کنید و هیچ نتیجه قطعی به دست نمی آورید.

مرحله 3: یک کد را روی داده های جمع آوری شده تنظیم کنید

تنظیم کدهای مناسب برای داده های جمع آوری شده ، شما را یک قدم جلوتر می برد. کدگذاری یکی از بهترین روش ها برای فشرده سازی اطلاعات عظیم جمع آوری شده است. کدگذاری داده های کیفی به سادگی به معنای دسته بندی و اختصاص خصوصیات و الگوها به داده های جمع آوری شده است.

برنامه نویسی گام مهمی در تجزیه و تحلیل داده های کیفی است . زیرا می توانید نظریه ها را از یافته های تحقیق مربوط استخراج کنید. پس از اختصاص کدها به داده های خود ، می توانید با استفاده از الگوهای ایجاد بینش عمیق نسبت به داده هایی که به تصمیم گیری آگاهانه کمک می کنند ، شروع کنید.

مرحله 4: اطلاعات خود را تأیید کنید

اعتبارسنجی داده ها یکی از مراحل مهم تجزیه و تحلیل داده های کیفی برای تحقیقات موفق است. از آنجا که داده ها برای تحقیق بسیار ضروری هستند ، اطمینان حاصل شود که داده ها دارای نقص نیستند. لطفاً توجه داشته باشید که اعتبارسنجی داده ها فقط یک مرحله در تحلیل داده های کیفی نیست. این یک مرحله تکراری است که باید در طول فرایند تحقیق دنبال شود. اعتبارسنجی داده ها دو طرف دارد:

دقت در طرح تحقیق یا روشهای تحقیق شما.

قابلیت اطمینان ، یعنی میزان تولید مداوم دقیق داده ها.

مرحله 5: خاتمه دادن به روند تحلیل

مهم است که سرانجام از داده های خود نتیجه گیری کنید .این به معنی ارائه سیستماتیک داده های شما است ، گزارشی که می تواند به راحتی مورد استفاده قرار گیرد. در این گزارش باید روشی بیان شود که شما به عنوان یک محقق برای انجام مطالعات تحقیقاتی ، نکات مثبت و منفی و محدودیت های مطالعه استفاده کرده اید. در این گزارش ، شما همچنین باید پیشنهادات / استنتاج های یافته های خود و هر زمینه مرتبط را برای تحقیقات آینده را بیان کنید.

 

مزایای داده های کیفی

به تجزیه و تحلیل عمیق کمک می کند :

داده های کیفی جمع آوری شده تجزیه و تحلیل دقیق در مورد موضوعات را در اختیار محققان قرار می دهد. محققان ضمن جمع آوری داده های کیفی ، از شرکت کنندگان تحقیق می کنند و می توانند با پرسیدن نوع صحیح سوالات ، اطلاعات کافی را جمع آوری کنند. از یک سری پرسش و پاسخ ، از داده هایی که جمع آوری می شود برای نتیجه گیری استفاده می شود.

آنچه مشتریان فکر می کنند را بفهمید :

داده های کیفی به محققان بازار کمک می کند تا ذهنیت مشتریان خود را درک کنند. با استفاده از داده های کیفی به کسب و کارها پی می برید که چرا مشتری کالایی را خریداری کرده است. درک زبان مشتری به تحقیقات بازار کمک می کند تا داده های جمع آوری شده به صورت سیستماتیک تر استنباط شود.

داده های غنی :

از داده های جمع آوری شده می توان برای انجام تحقیقات در آینده نیز استفاده کرد. از آنجایی که سوالاتی که برای جمع آوری داده های کیفی پرسیده می شود ، سوالاتی با انتهای باز است ، پاسخ دهندگان در اظهار نظر آزادند و منجر به کسب اطلاعات بیشتر می شوند.

 

معایب داده های کیفی

وقت گیر

چون جمع آوری داده های کیفی وقت گیر تر است ، افراد کمتری در مقایسه با جمع آوری داده های کمی مطالعه می کنند. تا زمانی که بودجه و هزینه اجازه ندهد ، حجم نمونه کوچکتر در آن گنجانده شده است.

تعمیم آسان نیست

از آنجا که افراد کمتری مورد مطالعه قرار می گیرند ، تعمیم نتایج آن جمعیت دشوار است.

 وابسته به مهارت های محقق

این نوع داده ها از طریق مصاحبه های یک به یک ، مشاهدات ، گروه های متمرکز و غیره جمع آوری می شوند و به مهارت و تجربه محقق برای جمع آوری اطلاعات از نمونه متکی هستند.