Transkripce a organizace dat - výklad

Site: Moodle UK pro výuku 1
Course: Úvod do metod terénního výzkumu (ATERMET01)
Book: Transkripce a organizace dat - výklad
Printed by: Guest user
Date: Wednesday, 11 December 2024, 10:46 PM

Description

Tato lekce je primárně praktická a slouží k vyzkoušení programu F4transcribe.

Celý proces kvalitativního výzkumu je - mimo jiné vzhledem ke své relativně vysoké míře nestrukturovanosti - náročný na systematickou a co možná bezodkladnou dokumentaci a neustálou „interakci“ s daty. Mezi typické operace kvalitativního terénního výzkumu patří:

  • neustálé vracení se k předcházejícím krokům a jejich případné přehodnocování
  • během celého procesu neustále revidujeme analýzu a interpretaci ve vztahu k datům/terénu

1. Jak na organizaci dat?

Celý proces kvalitativního výzkumu je také vzhledem ke své relativně vysoké míře nestrukturovanosti náročný na systematickou a co možná bezodkladnou dokumentaci a neustálou „interakci“ s daty:

  • neustále se vracíme k předcházejícím krokům
  • během celého procesu revidujeme analýzu a interpretaci ve vztahu k datům/terénu

V terénním výzkumu se snažíme vše podstatné zaznamenávat a zpracovávat co možná nejrychleji. Následné zpracování by mělo také probíhat bezprostředně po zaznamenání:

  • data často převádíme do digitalizované podoby
    • přepisujeme rozhovory a terénní zápisky do textového editoru
  • rozsáhlý datový korpus postupně zjednodušujeme -> zaměřujeme
    • selektujeme podstatné části/segmenty/úryvky
      • vybíráme ty, co se ukazují jako zajímavé a relevantní pro naší výzkumnou otázku nebo ve vztahu k teorii
  • jednotlivé logické celky (výpovědi, popisy, pozorování atd.) opatřujeme komentáři a kódujeme je
    • pro tuto chvíli si pod kódem můžeme představit jako textovou redukci vystihující podstatu segmentu (například klíčové slovo, příznačný emický výraz, výstižná fráze atd.)
    • ke kódům a dalším krokům v procesu analýzy/interpretace se vrátíme v samostatné lekci

1.1. Organizace dat - doporučení

Doporučujeme si vymyslet smysluplný systém pojmenovávání dokumentů:

  • je vhodné odlišit rozhovory (nalézt pro tyto dokumenty specifické označení, například I - jako interview plus číslice 0001 - 1000 jako pořadí a písmena jako index pro jméno informátora) od terénních poznámek, genealogií atd.
  • jednou z etických voleb bývá otázka anonymizace - pokud k anonymizaci přistoupíte, připravte si seznam přezdívek či symbolů, kterými budete jména nahrazovat
    • na toto dávejte ostatně pozor i u přepisu a zpracování všech dat - zamýšlejte se nad tím, jak systematicky pozměňovat aspekty, které by mohly vést k identifikaci osob
  • pro objemné datové korpusy čítající desítky souborů je výhodnější využít k organizaci přímo SW pro kvalitativní analýzu
    • takový SW si představíme v samostatné lekci

2. Jak na přepis rozhovorů?

Pamatujme si, že kvalitativní rozhovory se odehrávají v určitém mikrosituačním a makrosociálním kontextu:

  • nelze jednotlivé výpovědi z daného kontextu vytrhnout a bez interpretace/analýzy je zaměňovat s výsledky nějakého šetření
  • neexistuje jednotný postup pro všechny typy výzkumů
    • např. u konverzační či lingvistické analýzy se vyžaduje jiný typ přesnosti zápisu něž jinde – řídíme se principem vhodnosti/adekvátnosti pro daný výzkum
  • dobré je řídit se vlastním výzkumným procesem, tj. neustále a v přímém kontaktu s terénem re/interpretovat nová data, nikoliv si přepisy rozhovorů nechávat až na pozdější samostatnou fázi jak tomu bývá u strukturovaných výzkumů
  • lze doporučit přepisovat tolik, kolik vyžaduje výzkumná otázka a způsobem, který bude zvládnutelný, dalo s přepsaným dobře manipulovat, aby jste se v tom zkrátka dobře orientovali
    • systém transkripce a organizace je jednou z mnoha dalších voleb, kterou musíte učinit tak, aby byl tento systém odpovídající potřebám vaší výzkumné otázky/vašeho výzkumu

3. Data management

Otázka "data managementu" je při kvalitativním terénním výzkumu velmi komplikovaná a je předmětem pokračujících debat:

  • badatel si musí uvědomit, že v tomto typu výzkumu vytváří data ve spolupráci s informátory/výzkumnými partnery, není tedy jejich unikátním vlastníkem 
  • musí zabezpečit ochranu shromážděného hrubého materiálu i zpracovaných dat nejen po dobu trvání výzkumu, ale také po jeho ukončení (pokud nedojde k jejich bezpečnému smazání)
    • z důvodu měnících se okolností bývá často potřebné za tímto účelem doplnit informovaný souhlas, pokud již neodpovídá nové situaci
    • pokud data ukládáme na cloudových úložištích či jinak sdílíme, je potřeba dbát zvýšené opatrnosti a věnovat pozornost důsledné anonymizaci a bezpečnému ukládání citlivých materiálů osobního charakteru