주제분석

Thematic analysis

주제 분석은 질적 연구 내에서 가장 일반적인 분석 형태 중 하나이다.[1][2] 질적 데이터 내에서 의미(또는 "테마")의 패턴을 식별, 분석 및 해석하는 것을 강조한다.[1] 주제 분석은 종종 기초 이론, 담화 분석, 서술적 분석 및 해석적 현상학적 분석과 같은 대부분의 다른 질적 분석적 접근법과 대조되는 방법이나 기법으로 이해되며, 이는 연구의 방법론이나 이론적으로 정보에 입각한 프레임워크로 설명될 수 있다(이러한 방법론들은 지침을 명시한다).분석 수행 절차뿐만 아니라 적절한 연구 질문 및 데이터 수집 방법. 주제 분석은 단일한 방법보다는 다양한 접근방식의 포괄적 용어로 가장 잘 알려져 있다. 다른 버전의 주제 분석은 다른 철학적, 개념적 가정들에 의해 뒷받침되며 절차의 측면에서 다양하다. 주제의 분석 지지자들을 이끌고 버지니아 브라운의 주제 분석의 세가지 주요 유형:부호화 신뢰성 접근법(예들이 접근법 리처드 Boyatzis[4]과 Greg게스트와 colleagues[2]에 의해 개발된 포함한다), 코드 북 접근법(이 프레임워크 analysi 같은 접근법을 포함한다 사이에 빅토리아 Clarke[3]를 구별하 psychologists.s,[5]templ식이 분석[6] 및 매트릭스 분석[7]) 및 반사적 접근.[8][9] 그들은 2006년에 처음으로 논술된 "심리학[1] 질적 연구"라는 잡지에서 널리 사용되는 그들 자신의 접근방식을 반사적 주제 분석이라고 설명한다.[10] 그들의 2006년 논문은 9만개가 넘는 구글 스콜라 인용구를 가지고 있으며, 구글 스콜라지에 따르면 2006년에 발표된 가장 많이 인용된 학술 논문이다. 본 논문의 인기는 주제 분석에 대한 관심이 높아지는 것을 구별되는 방법으로서 예시하고 있다(일부에서는 구별되는 방법인지 아니면 단순히 분석 절차의 일반적인[11] 집합인지에 의문을 제기하고 있다).

설명

주제 분석은 질적 연구에 사용되며, 데이터 내의 의미 주제나 패턴을 조사하는 데 초점을 맞추고 있다.[12] 이 방법은 데이터 세트에 대한 조직적 설명과 풍부한 의미 설명, 이론적으로 알려진 의미 해석을 모두 강조할 수 있다.[1] 주제 분석은 단순히 텍스트에서 구문이나 단어를 세는 것을 넘어(내용 분석에서처럼) 데이터 내에서 명시적이고 암묵적인 의미를 탐구한다.[2] 코딩은 데이터에 대한 분석적 관심 항목을 식별하고 코딩 라벨로 태그를 지정하여 테마를 개발하는 주요 과정이다.[4] 일부 주제 분석 접근법에서 코딩은 테마 개발을 따르고 사전 식별된 테마(이 접근법은 신뢰성과 코드 북 접근법에서 공통적이다)에 데이터를 할당하는 과정이다. 특히 브라운과 클라크의 반사적 접근법 - 코딩은 테마 개발보다 앞서며 코드로 테마가 구축된다.[3] 주제 분석의 특징 중 하나는 프레임 이론, 연구 질문 및 연구 설계에 관한 유연성이다.[1] 주제 분석은 참가자의 살아있는 경험, 관점, 행동 및 실천, 특정 현상에 영향을 미치고 형성하는 요소와 사회적 과정, 특정 실천을 지배하는 명시적이고 암묵적인 규범과 '규칙'과 의미와 대표자에 대한 질문을 탐구하는 데 사용될 수 있다.특정 텍스트와 맥락에서 사회적 사물의 [13]개념

주제 분석은 인터뷰, 포커스 그룹, 조사, 요청된 다이어리, 시각적 방법, 관찰 및 현장 연구, 행동 연구, 기억 작업, 비네트, 스토리 완성 및 2차 출처를 포함한 대부분의 유형의 질적 데이터를 분석하는 데 사용될 수 있다. 데이터 집합은 짧고 형식적인 응답에서부터 개방적인 설문 조사 질문, 수백 페이지의 인터뷰 성적에 이르기까지 다양하다.[14] 주제 분석은 작은 데이터 집합과 큰 데이터 집합 모두를 분석하는 데 사용될 수 있다.[1] 주제 분석은 종종 혼합 방법 설계에 사용된다 - TA의 이론적 유연성은 특정한 내재된 이론적 가정을 가진 접근법보다 더 간단한 선택을 만든다.

주제 분석은 때때로 참여자들의 주관적인 경험과 감각적 만들기에 초점을 맞출 수 있다는 점에서 현상학과 양립할 수 있다고 주장된다;[2] 현상학적 연구에 주제 분석을 사용하는 오랜 전통이 있다.[15] 현상학적 접근은 연구 대상의 가장 중요한 대상으로서 참가자들의 인식, 감정, 경험을 강조한다. 인문주의적 심리학에 뿌리를 둔 현상학에서는 전반적으로 질적 연구의 핵심 요소로서 "다른 것"에게 목소리를 부여한다. 이 접근방식은 정량적 연구에서 발견되는 고정-응답 질문의 제약 없이 응답자가 자신의 말로 주제를 토론할 수 있도록 한다.

주제 분석은 때때로 현상학이나 정성 연구에 대한 경험적 접근법과만 양립할 수 있다고 잘못 가정된다. 브라운과 클라크는 그들의 반사적 접근방식이 사회 구성주의자, 사후 구조주의자, 질적 연구에 대한 비판적 접근방식과 동등하게 양립할 수 있다고 주장한다.[16] 그들은 현실주의자, 비판적 현실주의자 및 상대론적 온톨로지 및 실증주의자, 맥락론자 및 구성론적 인식론 내에서 주제 분석의 이론적 유연성과 그 사용을 강조한다.

대부분의 연구 방법과 마찬가지로, 데이터 분석 과정은 유도적 또는 연역적으로 두 가지 주요한 방법으로 발생할 수 있다.[1] 귀납적 접근법에서 식별된 테마는 데이터와 강하게 연계된다.[4] 기존의 이론이나 틀에 데이터를 맞추려 하지 않고 코딩 과정이 일어난다는 뜻이다. 그러나 주제 분석의 유도는 '순수한' 유도가 아니며, 연구자가 존재론적, 인식론적, 패러다임적 가정으로부터 자유로울 수 없다는 점에 유의해야 한다. 코딩은 항상 연구자의 철학적 관점과 연구 가치를 반영할 것이다.[1] 반면에 연역적 접근은 이론에 의해 주도된다.[17] 이러한 형태의 분석은 기존의 이론과 개념에 의해 형성되고 알려지기 때문에 더 해석적인 경향이 있다. 연역적 접근방식은 데이터 집합의 다른 연구에서 식별된 주제를 식별하거나 데이터를 조직, 코드화 및 해석하기 위한 렌즈로서 기존 이론을 사용하는 것을 포함할 수 있다. 때로는 연역적 접근법이 연구 질문이나 데이터 수집 질문에 의해 구동되는 코딩으로 오해되기도 한다. 주제 분석은 귀납적 접근법과 연역적 접근법을 결합할 수도 있다.

주제 분석에 대한 다양한 접근 방식

코딩 신뢰성[4][2] 접근법은 가장 오랜 역사를 가지고 있으며 질적인 내용 분석과 거의 다르지 않은 경우가 많다. 이름에서 알 수 있듯이, 그들은 구조화된 코드북과 고정 코드북의 사용을 통한 코딩 신뢰성 측정, 데이터에 코드북을 적용하기 위해 독립적으로 일하는 복수의 코더 사용, 경주자간 신뢰성 또는 코더간 합의(일반적으로 코헨의 카파 사용)의 측정, 최종 코딘의 결정을 우선시한다.g 코더들 사이의 합의나 합의를 통해. 이러한 접근방식은 질적 실증주의 또는 소규모 Q 질적 연구의 한 형태다.[18] 그들은 질적 방법의 사용과 (양적) 실증주의의 연구 가치 및 가정을 결합하여 코딩 신뢰성의 확립과 관찰 연구자의 주관성 또는 '생물'이 포함되고 통제되어야 하는 코딩 신뢰성에 대한 잠재적 위협으로서 중요성을 강조한다. 보야치스는[4] 양적 패러다임과 질적 패러다임 사이의 '분열을 가릴 수 있는' 접근법을 제시한다. 일부 정성적 연구자들은 구조화된 코드 북, 다중 독립 코드 사용자 및 사용자간 신뢰성 측정의 사용에 비판적이다. Janice Morse는 그러한 코딩은 코딩 합치를 용이하게 하기 위해 반드시 거칠고 피상적인 것이라고 주장한다.[19] 브라운과 클라크(키팅 야들리[20])는 모든 코딩 협정이 증명하는 것은 코딩이 '신뢰성'이나 '정확성'이 아니라 코딩자들이 같은 방식으로 코딩을 하도록 훈련받았다는 것이라고 주장한다.[13]

구조화된 코드북의 사용에 관한 프레임워크 분석,[5] 템플릿 분석[6], 매트릭스 분석[7] 센터와 같은 코드북 접근법은 코딩 신뢰성 접근방식과 달리 어느 정도 정성적 연구 가치를 강조한다. 코딩 신뢰성 및 코드북 접근법 모두 일반적으로 초기 테마 개발을 수반하며, 코딩 전에 개발된 테마 또는 일부 테마가 일부 데이터 숙지화(데이터를 읽고 다시 읽어 그 내용에 친숙해지도록)를 따르는 경우가 많다. 일단 테마가 개발되면 코드북이 작성된다. 데이터의 일부 또는 전체에 대한 초기 분석이 포함될 수 있다. 그런 다음 데이터가 코드화된다. 코딩은 코드북을 가이드로 삼아 미리 정해진 테마에 데이터를 할당하는 것을 포함한다. 코드북은 또한 각 데이터 항목에서 코드와 테마의 발생을 매핑하고 표시하는 데 사용될 수 있다. 주제는 종종 브라운과 클라크가 토론하는 공유 주제 타입이다.[3]

반사적 접근법은 유기적이고 유연한 코딩 프로세스 - 코드북이 없으며, 코딩에 복수의 연구자가 관여하는 경우 한 연구자가 코딩을 수행할 수 있다. 코딩은 합의를 이끌어내야 하는 프로세스가 아닌 협업 프로세스로 개념화된다. 개별 코드는 고정되어 있지 않다. 코딩 프로세스 전반에 걸쳐 진화할 수 있고, 코드의 경계를 다시 그릴 수 있으며, 코드는 둘 이상의 코드로 분할할 수 있으며, 다른 코드로 축소되고 테마로 승격될 수도 있다.[13] 반사적 접근방식은 일반적으로 유사한 코드와 함께 군집화하여 만들어진 테마를 포함한 나중의 테마 개발을 포함한다. 테마는 중심 개념이나 아이디어를 중심으로 조직된 공유 의미를 포착해야 한다.[21]

브라운과 클라크와 동료들은 주제 분석 내의 다양성을 간과하는 경향과 그들이 제시한 다양한 접근법들 사이의 차이를 인식하지 못하는 경향에 비판적이었다.[22] 그들은 이러한 실패가 코드북, 합의 코드화, 고객간 신뢰성의 측정과 같은 양립불가능한 기법과 접근법을 생각지도 못한 '매시업'으로 이끈다고 주장한다.

테마

주제 분석에서 테마의 정의나 개념화는 없다.[23] Broun과 Clarke를 포함한 일부 주제 분석 지지자들의 경우 테마는 어떤 현상의 이해에 중요하고 연구 문제와 관련이 있는 중심 개념에 의해 지지되거나 통합된 데이터 항목들 간에 공유된 의미의 패턴으로 개념화된다.[3] 다른 사람들(대부분의 코딩 신뢰성 및 코드북 지지자 포함)에게 테마는 단순히 특정 주제 또는 데이터 영역과 관련된 정보의 요약일 뿐, 중심 개념을 중심으로 조직된 공유 의미에 대한 요구사항은 없다. 단지 공유 주제일 뿐이다.[3] 비록 이 두 개념은 주제 분석에 대한 특정한 접근방식과 연관되어 있지만, 그것들은 종종 혼동되고 혼동된다. Broun과 Clarke가 도메인 요약이나 주제 요약 테마를 부르는 것은 종종 한 단어의 주제 제목(예: 성별, 지원) 또는 'Barrier to...'와 같은 제목을 가지고 있다. 이는 참가자들이 특정 주제 또는 데이터 영역과 관련하여 말한 모든 것, 또는 제기된 주요 사항을 요약하는 데 초점을 맞춘다.[3] 주제 요약 테마는 일반적으로 데이터 코딩 전에 개발되며 종종 데이터 수집 질문을 반영한다. 중심 개념이나 아이디어에[21] 의해 뒷받침되는 공유 의미 테마는 코딩 이전에 개발될 수 없다(코드로 구축되기 때문에), 철저하고 체계적인 코딩 프로세스의 결과물도 마찬가지다. 브라운과 클라크는 주제 요약 테마의 혼동을 중심 개념에 의해 뒷받침된 공유 의미를 포착함으로써 테마 개념화에 비판적이었다.[24] 일부 정성적 연구자들은 주제 요약이 저개발 분석 또는 분석적 압류를 나타낸다고 주장해왔다.[25][26]

데이터에서 '테마가 나온다'는 개념을 둘러싸고 논란이 일고 있다. 브라운과 클라크는 이 언어가 데이터에서 완전히 형성되는 실체로서 테마를 포지셔닝한다고 주장하기 때문에 이 언어에 대해 비판적이다. - 연구자는 단순히 데이터에서 '신출하는' 주제들에 대한 수동적인 목격자일 뿐이다.[1] 대신에 그들은 연구원이 테마를 만드는 데 적극적인 역할을 한다고 주장한다. 그래서 테마는 단순히 생겨나는 것이 아니라 구성되고, 생성되고, 생성된다. 다른 사람들은 주제의 귀납적(신흥적인) 창조를 포착하기 위해 숙의적으로 이 용어를 사용한다. 그러나 이 용어가 어떻게 사용되고 있는지는 항상 명확하지는 않다.

무엇이 주제를 구성하는지를 결정하는 데 있어서 만연이나 재발이 반드시 가장 중요한 기준은 아니다. 테마는 연구 문제와 높은 관련성이 있고 관심의 현상을 이해하는 데 유의한 경우 중요한 것으로 간주될 수 있다.[1] 테마 유행이 반드시 테마가 발생하는 빈도(즉, 테마가 발생하는 데이터 항목의 수)를 의미하는 것은 아니며, 테마가 각 데이터 항목 내에서 그리고 데이터 집합 전체에 걸쳐 포착하는 데이터의 양을 의미할 수도 있다. 테마는 일반적으로 데이터 집합 전체에 걸쳐 뚜렷하게 나타나지만, 빈도가 높다고 해서 반드시 테마가 데이터를 이해하는 데 더 중요한 것은 아니다. 연구자의 판단은 어떤 테마가 더 중요한지를 결정하는 데 있어 중요한 수단이다.[1]

또한 데이터를 코드화할 수 있고 테마를 식별할 수 있는 수준(대적 및 잠재적 수준)도 다르다.[4][1] 주제 분석은 이러한 수준 중 하나 또는 둘 다에 초점을 맞출 수 있다. 의미론적 코드와 테마는 데이터의 명시적 의미와 표면적 의미를 식별한다. 연구자는 참가자가 말하거나 쓴 것 이상을 보지 않는다. 반대로, 잠재된 코드나 테마는 근본적인 생각, 패턴, 가정을 포착한다. 이를 위해서는 데이터에 대한 보다 해석적이고 개념적인 방향이 필요하다.

브라운과 클라크의 경우 주제와 코드 사이에는 분명한 (절대적이지는 않지만) 구분이 있다. 코드는 데이터에 대한 하나 이상의 통찰력을 포착하고 테마는 중심 개념이나 아이디어를 중심으로 조직된 수많은 통찰력을 포함한다. 그들은 종종 벽돌과 타일 집을 비유한다. 코드는 개별 벽돌이나 타일이고 테마는 각각 수많은 코드로 이루어진 벽이나 지붕 판넬이다. 주제 분석에 대한 다른 접근방식은 코드와 테마를 명확히 구분하지 않는다 - 몇몇 텍스트는 연구자들에게 "테마에 대한 코드"[27]를 권고한다. 이는 브라운과 클라크 등의 경우 테마가 코딩이 아닌 코딩의 결과나 결과로 간주되기 때문에 혼란스러울 수 있다. 코드와 테마를 명확히 구분하는 접근법에서 코드는 테마에 기여하는 데이터의 특정 부분에 주어지는 라벨이다. 예를 들어, "SECURITY는 코드가 될 수 있지만, A FALSE SENSE OF SECURITY는 테마가 될 수 있다."[27]

방법론적 문제

반사성 저널

질적 작업이 본질적으로 해석적 연구라는 점에서 연구자의 위치, 가치, 판단을 명시적으로 인정해야 최종 보고서를 이해하고 그 품질을 판단하는 데 고려된다.[28] 이러한 유형의 개방성과 성찰은 질적 공동체에서 긍정적인 것으로 간주된다.[29] 연구자들은 자신이 하는 일을 구체화하고 데이터를 수집하고 분석하는 도구다. 연구자를 분석의 도구로 인정하기 위해서는 반사성 저널을 만들고 유지하는 것이 유용하다.[30]

반사성 과정은 그들의 가치, 위치, 선택 및 연구 관행이 연구와 데이터의 최종 분석에 어떤 영향을 미치고 형성되었는지에 대해 반추하고 문서화하는 연구자로 설명할 수 있다. 반사성 저널은 분석 메모나 메모를 기초 이론으로 사용하는 것과 다소 유사하며, 이는 발전하는 분석과 잠재적 패턴, 주제 및 개념을 반영하는 데 유용할 수 있다.[14] 코딩 프로세스 전반에 걸쳐 연구자들은 각각의 코드의 개발과 잠재적 주제에 대한 상세한 기록을 보유해야 한다. 또한 주제와 주제 간의 연결에 대한 변경사항은 최종 보고서에서 논의될 수 있어 코딩 과정 전반에 걸쳐 이루어진 결정을 독자가 이해하는 데 도움을 줄 수 있다.[31]

일단 데이터 수집이 완료되고 연구자들이 데이터 분석 단계를 시작하면, 그들은 데이터에 대한 첫 인상을 기록해야 한다. 미래 분석을 위한 아이디어 로깅은 생각과 성찰이 기록되는 데 도움이 될 수 있으며 주제 분석 과정에서 한 단계가 다음 단계로 진행됨에 따라 잠재적인 코딩 아이디어를 위한 참조가 될 수 있다.[14]

코딩 실습

코딩 중에 고려해야 할 질문은 다음과 같다.[14]

  • 사람들은 무엇을 하고 있는가? 그들은 무엇을 이루려고 하는가?
  • 정확히 어떻게 하는 거지? 어떤 구체적인 수단이나 전략을 사용하는가?
  • 어떻게 사람들이 무슨 일이 일어나고 있는지 말하고 이해할 수 있을까?
  • 그들은 어떤 가정을 하고 있는가?
  • 여기서 무슨 일이 일어나고 있는 걸까? 내가 노트 필기를 하면서 배운 것은?
  • 내가 왜 그것들을 포함시켰을까?

이러한 질문은 일반적으로 코딩 프로세스와 데이터 분석의 모든 사이클에 걸쳐 질문된다. 반사율 저널은 종종 처음에 연구와 관련이 없는 잠재적 코드를 식별하기 위해 사용된다.[14]

표본 크기 고려 사항

주제분석에서 표본크기의 질문에 대한 직접적인 답은 없다; 질적 연구에서 표본크기에 대한 더 광범위한 답이 없듯이(고전적인 답은 '그것이 달려있다'이다 - 연구의 범위, 연구질문과 주제, 데이터 수집 방법이나 방법, 개별 dat의 풍부함에 따라).항목, 분석 접근법[32]). 일부 코딩 신뢰성 및 코드북 지지자들은 데이터 분석 전에 샘플 크기를 결정하기 위한 지침을 제공한다 - 포화 또는 정보 중복성의 개념에 초점을 맞춘다(데이터에 새로운 정보, 코드 또는 테마가 뚜렷이 보이지 않음). 이러한 '운영적' 포화상태의 시도는 코드 포화(흔히 코드의 한 인스턴스를 식별하는 것으로 정의됨)가 어떤 상황에서 12개 또는 심지어 6개의 인터뷰로 달성될 수 있음을 시사한다.[33] 포화상태라는 의미는 - 문제에 대해 "질감이 풍부한" 이해를 발전시키는 - 더 큰 샘플이 필요한 것으로 생각된다. (최소한 24회의 인터뷰).[34] 데이터 포화 개념에 대한 수많은 비판들이 있다. 많은 이들은 데이터 포화 개념이 고정된 의미의 현실주의적 개념 안에 내재되어 있다고 주장하고 있으며, 질적 패러다임에서는 의미를 해석하는 연구자의 역할 때문에 새로운 이해의 가능성이 항상 존재한다.[35] 일부 정량적 연구자들은 주제 분석에서 데이터 수집에 앞서 표본 크기를 결정하기 위한 통계적 모델을 제시하였다. 예를 들어 Pugard와 Potts는 정량적 표본 크기 추정 방법과 유사하게 표본 크기에 대한 생각을 지원하는 정량적 사전 도구를 제공했다.[36] Lowe와 동료들은 초기 표본에서 계산하여 특정 수준의 포화도를 달성하는데 필요한 표본 크기를 추정하는 데 사용할 수 있는 포화도의 양적 확률론적 측정을 제안했다.[37] 이들의 분석에 따르면 일반적으로 사용되는 이항 표본 크기 추정 방법은 포화에 필요한 표본 크기를 현저히 과소평가할 수 있다. 이러한 모든 도구는 정성적 연구 가치의 우선순위를 정하는 접근방식과 반대되는 정성적 연구자(Braun과 Clarke[38] 포함)에 의해 질적 연구, 주제 분석 및 주제에 대한 가정에 의존한다는 비판을 받아왔다.[39][40][41]

브라운과 클라크의 6단계 주제 분석

위상[1] 과정 결과 반사율 저널 항목[1]
1단계 데이터를 읽고 다시 읽으면 데이터가 수반하는 내용을 숙지할 수 있으며, 발생하는 패턴에 특별히 주의를 기울일 수 있다. 예비 "시작" 코드 및 상세 참고 사항. 시작 코드를 각 코드의 의미와 코드의 출처에 대한 설명과 함께 저널에 나열하십시오.
2단계 패턴이 발생하는 위치와 방법을 문서화하여 초기 코드를 생성한다. 이는 보다 효율적인 분석을 위한 범주를 만들기 위해 연구자가 데이터를 라벨로 축소하는 데이터 축소를 통해 발생한다. 데이터 복잡성도 여기서 완료된다. 이것은 연구원이 그 암호의 의미에 대해 추론하는 것을 포함한다. 데이터가 연구 질문에 답변하는 방법에 대한 포괄적인 코드. 코드가 어떻게, 왜 결합되었는지, 연구자가 데이터에 대해 어떤 질문을 하고 있는지, 그리고 코드가 어떻게 연관되어 있는지에 대한 자세한 정보를 제공한다.
3단계 데이터를 정확하게 나타내는 중요한 테마로 코드를 결합한다. 비록 테마가 "적합"해 보이지 않더라도, 연구자가 테마의 의미를 정확히 설명하는 것은 테마를 개발하는 데 중요하다. 연구자는 또한 분석에서 누락된 것이 무엇인지 설명해야 한다. 추가 분석을 위한 후보 테마 목록. 반사성 저널은 그 코드들이 어떻게 해석되고 테마를 형성하기 위해 결합되었는지 주목할 필요가 있다.
4단계 이 단계에서 연구자는 테마가 데이터를 어떻게 지원하는지, 그리고 중요한 이론적 관점을 살펴본다. 분석이 불완전해 보이면 연구자는 돌아가서 빠진 것을 찾아야 한다. 데이터에 대한 정확한 이야기를 전달하기 위해 테마를 패턴화하는 방법에 대한 일관성 있는 인식. 주석에 주제를 이해하는 과정과 주제가 주어진 코드와 어떻게 조화를 이루는지 포함시킬 필요가 있다. 연구 질문과 데이터 중심 질문에 대한 답변은 데이터에 의해 충분히 복잡하고 뒷받침되어야 한다.
5단계 연구자는 각 테마가 무엇인지, 데이터의 어떤 측면이 포착되고 있는지, 테마에 대한 흥미로운 점은 무엇인지 정의할 필요가 있다. 테마가 데이터를 이해하는 데 어떤 기여를 하는지에 대한 포괄적인 분석. 연구자는 각 주제를 몇 문장으로 설명해야 한다.
6단계 연구자들이 보고서를 작성할 때, 그들은 어떤 테마가 데이터 내에서 무슨 일이 일어나고 있는지 이해하는 데 의미 있는 기여를 하는지를 결정해야 한다. 연구자들도 '회원 확인'을 실시해야 한다. 이것은 연구원들이 그들의 설명이 정확한 표현인지 알아보기 위해 바로 옆에 있는 표본으로 돌아가는 곳이다. 결과에 대한 두꺼운 설명. 특정 테마가 기여를 하고 데이터 집합 내에서 진행 중인 내용을 이해하는 데 더 유용한 이유를 주목하십시오. 결과를 보고하는 방법을 선택하는 과정을 설명하십시오.

1단계: 데이터에 익숙해지기

이 주제분석을 위한 6상 과정은 브라운과 클라크의 작업과 주제분석에 대한 반사적 접근법에 기초한다.[1][42] 이 6상 주기적 과정에는 최종 테마에 만족할 때까지 필요에 따라 데이터 분석 단계를 왔다 갔다 하는 것이 포함된다.[1] 주제 분석을 수행하는 연구자는 데이터의 표면적 의미를 넘어 데이터를 이해하고 데이터의 의미에 대해 풍부하고 설득력 있는 이야기를 들려주어야 한다.[1] 다른 주제 분석 접근법과 관련된 절차는 다소 다르다. 브라운과 클라크의 6단계 프로세스에 대한 이러한 설명에는 다른 주제 분석 지지자들에 의해 제공되는 대조적인 통찰력에 대한 논의도 포함되어 있다. 반사적 주제 분석의 초기 단계는 대부분의 접근방식-데이터 숙지 방식-에 공통적이다. 여기서 연구자들은 각 데이터 항목의 세부사항과 '더 큰 그림'이라는 데이터의 내용을 숙지한다. 다른 접근법에서는, 데이터를 읽기 전에, 연구자들이 잠재적 코드의 "시작 목록"을 작성할 수 있다.[43] 브라운과 클라크의 접근방식은 연구자의 사전 개념이 아닌 데이터에 초점을 맞추는 것이 목적이기 때문에 코딩이 기존 이론에 의해 유도되는 연역적 접근방식에서 친숙해지기 전에 코드 개발을 권고한다. 마일스와 휴버먼의 경우 매트릭스 접근방식에서 "시작 코드"는 각 코드의 표현과 코드가 설정된 위치에 대한 설명과 함께 반사성 저널에 포함되어야 한다.[43] 데이터를 능동적으로 분석하면 연구자들이 데이터 집합에서 의미와 패턴을 찾는 데 도움이 될 것이다. 이 단계에서, 친숙화의 이 단계를 서두르고 즉시 코드와 주제를 생성하기 시작하고 싶은 유혹이 있다. 그러나, 이 몰입 과정은 연구자들이 가능한 주제와 패턴을 식별하는 데 도움이 될 것이다. 연구자가 편안해질 때까지 자료를 읽고 다시 읽는 것이 분석의 초기 단계에 결정적이다. 이 자료에 익숙해지기는 하지만, 노트 필기는 잠재적인 코드를 개발하기 시작하기 위해 이 단계의 중요한 부분이다.[1]

전사

데이터 수집을 완료한 후, 연구자는 데이터를 서면 양식(예: 인터뷰와 같은 오디오 녹음 데이터)으로 변환해야 할 수 있다.[1] 브라운과 클라크는 교과서 '성공적 질적 연구'에서 그들의 접근방식과 함께 사용할 수 있는 전사 표기법을 제공한다. 데이터의 품질 전사는 분석의 신뢰성에 필수적이다. 데이터 전사 기준은 전사 단계가 시작되기 전에 설정하여 신뢰성이 높은지 확인해야 한다.[2]

일부 주제 분석 지지자들 - 특히 실증주의에 발판이 있는 사람들 - 는 전사의 정확성에 대해 우려를 나타낸다.[2] 전사 불일치는 데이터 분석에서 '편향'을 생성하여 나중에 분석 과정에서 식별하기 어려울 수 있다.[2] 브라운과 클라크와 같은 다른 사람들에게 필사본은 해석적이고 이론적으로 내재된 과정으로 간주되므로, 연구자가 항상 말을 글로 번역하는 방법에 대한 선택을 하기 때문에 직설적인 의미에서는 '정확한' 것이 될 수 없다.[1] 그러나, 이것은 연구자들이 그들의 성적표에 철저함을 위해 노력하지 말고 체계적인 필사 접근법을 사용하라는 것을 의미하지는 않는다. 저자들은 이상적으로 그들의 전사 표기 체계에 대한 키를 제공하여 특정한 표기법이 무엇을 의미하는지 쉽게 분명하게 보여야 한다. "*목소리 낮추기*"와 같은 코멘트를 삽입하는 것은 연설의 변화를 예고할 것이다. 전사 시간을 계획할 때 따라야 할 일반적인 대략적인 지침 - 대화 5분마다 15분의 전사 시간을 허용한다. 전사는 친숙화 과정의 일부를 형성할 수 있다.[1][13]

이 단계 이후, 연구자는 데이터의 내용에 익숙해져야 하며, 명백한 패턴이나 반복적인 이슈를 식별하기 시작해야 한다. 이러한 패턴은 데이터를 코딩할 때 사용할 반사성 저널에 기록해야 한다. 다른 TA 지지자들은 코딩을 데이터에 대한 통제력을 얻기 시작하는 연구자로서 개념화한다. 그들은 연구 문제를 다루는 데이터를 표시하는 것이 중요하다고 본다. 그들에게는 이것이 코딩 과정의 시작이다.[2]

2단계: 코드 생성

반사적 주제 분석의 두 번째 단계는 데이터에 관심 있는 항목에 라벨(몇 단어 또는 짧은 구문)을 붙이는 것이다. 이 라벨은 데이터의 관련 특성을 명확하게 환기시켜야 한다. 이는 테마 개발의 이후 단계에 중요하다. 연구 문제와 관련되는 데이터의 의미 있는 부분을 정리하고 식별하는 이러한 체계적인 방법을 코딩이라고 한다. 코딩 프로세스는 연구자의 데이터 몰입을 통해 진화하며, 선형 과정이 아니라 코드가 개발되고 정제되는 순환 과정으로 간주된다.

코딩 프로세스는 데이터를 한 번 스윕하여 거의 완료되지 않는다. 살라다나는 연구자들이 데이터 세트를 작업할 때마다 잠재적 코드를 추가, 빼기, 결합 또는 분할하여 코드를 세분화하도록 노력해야 한다고 권고한다.[14] 마일스와 휴버먼의 경우, '시작 코드'는 면접 중 참가자가 사용하는 용어를 통해 제작되며, 면접 중 경험의 기준점으로 활용할 수 있다.[43] 보다 실증주의적인 성향 주제 분석 지지자의 경우, 연구자가 대화를 기반으로 하고 본질적으로 서술적인 구체적인 코드를 사용할 때 신뢰성은 증가한다.[2] 이러한 코드는 연구자가 프로세스의 후반부에서 데이터 조각을 찾고 이를 포함하는 이유를 식별하는 데 도움이 될 것이다. 그러나 브라운과 클라크는 연구자들에게 설명과 요약에만 집중하는 것을 넘어 해석적으로 데이터와 함께 명확한 의미와 암시적인 의미 모두를 탐구할 것을 촉구한다.[1] 코딩은 연구자가 그 과정을 통해 얻은 아이디어에 따라 데이터를 재구성할 수 있도록 함으로써 나중에 상세한 분석의 단계를 정한다. 새로운 코드에 대한 반사율 저널 엔트리는 참가자와 참가자의 데이터 섹션에 대한 참조점 역할을 하며, 연구자에게 최종 분석에 이러한 코드를 포함할 이유와 장소를 이해하도록 상기시킨다.[2] 코딩 프로세스 전체에 걸쳐 각 데이터 항목에 완전하고 동등한 주의를 기울여야 하며, 그렇지 않으면 눈에 띄지 않는 반복 패턴을 식별하는 데 도움이 되기 때문이다. 가능한 한 포괄적으로 코딩하는 것이 중요하다 - 무관해 보일 수 있는 데이터의 개별적인 측면을 코딩하는 것은 분석 과정의 후반부에서 잠재적으로 중요하다.[1]

사회학자 코피와 앳킨슨에게 코딩은 데이터 감소와 복잡성의 과정도 포함한다.[44] 코드 축소는 연구 질문에 기초하여 데이터 세트에 태그 또는 라벨을 할당함으로써 시작된다. 이 단계에서, 큰 데이터 세트를 더 작은 단위로 응축하면 유용한 범주를 만들어 데이터의 추가 분석이 가능하다. 또한 인터뷰에 참가자의 참조와 용어를 적용하여 인비보 코드도 제작된다. 코딩은 데이터의 개발, 변환 및 재개념에 도움이 되며 더 많은 분석 가능성을 찾는데 도움이 된다. 연구자들은 데이터와 관련된 질문을 하고 그 데이터로부터 이론을 생성하여 이전 연구에서 보고된 것 보다 더 오래 지속되어야 한다.[44]

데이터 감소(커피 및 앳킨슨[44])

일부 주제 분석 지지자들에게 코딩은 데이터 감소나 데이터 단순화의 수단으로 생각할 수 있다(코딩을 데이터 감소와 해석 둘 다로 보는 브라운과 클라크의 경우는 그렇지 않다). Coffey와 Atkinson의 경우 단순하지만 광범위한 분석 코드를 사용하여 데이터를 보다 관리하기 쉬운 기술로 줄일 수 있다. 이 데이터 분석 단계에서 분석가는 보다 간단한 데이터 구성 방법의 식별에 초점을 맞추어야 한다. 데이터 감소주의를 사용하는 연구자는 현장 노트, 인터뷰 기록 또는 기타 문서를 포함할 수 있는 데이터 텍스트를 색인화하는 프로세스를 포함해야 한다. 이 단계의 데이터는 연구자가 공통 카테고리나 코드를 공유하는 데이터의 세그먼트를 식별할 수 있는 등급이나 범주로 축소된다.[44] 시델과 켈레는 (a) 관련 현상을 인지하는 것, (b) 현상의 예를 수집하는 것, (c) 유사성, 차이성, 패턴, 오버로드 구조를 찾기 위해 현상을 분석하는 세 가지 방법을 제안했다. 데이터 코딩의 이러한 측면은 중요한데, 이 단계에서 연구자가 다른 방식으로 데이터에 대해 생각할 수 있도록 데이터에 코드를 부착해야 하기 때문이다.[44] 코딩은 엄밀히 말하면 데이터 감소로 볼 수 없으며, 데이터 복잡성은 데이터를 개방하여 추가적으로 검토할 수 있는 방법으로 사용될 수 있다.[44] 아래 절에서는 코피와 앳킨슨의 데이터 복잡성 프로세스와 정성 분석에서 데이터 분석에 대한 중요성을 설명한다.[44]

데이터 복잡성(커피 및 앳킨슨[44])

코피와 앳킨슨의 경우 코드를 만드는 과정은 데이터 감소와 데이터 복잡성 둘 다로 설명할 수 있다. 데이터 복잡성은 데이터를 넘어 데이터에 대한 질문을 던져 프레임워크와 이론을 생성하는 것으로 설명할 수 있다. 데이터의 복잡성은 데이터의 새로운 질문과 해석을 만들기 위해 데이터에 대한 확장에 사용된다. 연구원들은 코딩 과정이 얻는 것보다 더 많은 정보를 잃지 않도록 해야 한다.[44] Tesch는 데이터 복잡성을 데이터 세그먼트에 새로운 컨텍스트를 제공하는 데이터의 재인식 과정으로 정의했다. 데이터 복잡성은 데이터를 보고 분석하는 방식에 대한 새로운 맥락을 제공하는 수단이다.[44]

코딩은 데이터에 대한 질문을 만들기 위해 분석적인 방법을 통해 데이터를 세분화하는 과정으로, 데이터 내부 및 데이터 사이의 관계에 대한 임시적인 답변을 제공한다.[44] 디콘텍스트화 및 재텍스트화는 새로운 이론으로 데이터를 줄이고 확장하는 데 도움이 된다.[44]

3단계: 초기 테마 생성

테마를 검색하고 테마 내에서 무엇이 작동하고 무엇이 작동하지 않는지 고려하는 것은 연구자가 잠재적 코드 분석을 시작할 수 있게 한다. 이 단계에서는 코드를 어떻게 결합하여 데이터에서 과대 검색 테마를 형성하는지를 검토하는 것으로 시작하는 것이 중요하다. 이 시점에서, 연구자들은 테마의 목록을 가지고 있고 코드화된 데이터와 제안된 테마를 결합하여 데이터의 더 넓은 패턴에 초점을 맞추기 시작한다. 연구자들은 또한 코드와 테마 사이에 그리고 기존 테마의 다른 수준들 사이에 어떻게 관계가 형성되는지를 고려하기 시작한다. 코드를 잠재적인 테마로 분류하기 위해 시각적 모델을 사용하는 것이 도움이 될 수 있다.[1]

테마는 데이터가 무엇을 의미하는지 식별하는 구문이나 문장이라는 점에서 코드와 다르다. 그들은 분석반사를 위한 코딩의 결과를 설명한다. 주제는 참가자의 이야기에서 도출된 인과적 사건, 진술, 도덕 등을 설명하는 데 사용할 수 있는 문화 내의 아이디어와 설명으로 구성된다. 후속 단계에서는 과민한 주제를 제공하기 위해 잠재적 주제를 좁히는 것이 중요하다. 주제 분석은 다음과 같은 데이터에서 범주나 주제가 나올 수 있도록 허용한다: 반복적인 아이디어, 토착 용어, 은유 및 유사점, 주제의 변화, 그리고 참여자들의 언어 표현의 유사성과 차이. 이 시점에서 데이터에 존재하는 것뿐만 아니라 데이터에서 누락된 것을 다루는 것이 중요하다.[14] 이 단계의 결론은 데이터 프로세스 전체에 걸쳐 수집된 많은 후보 주제를 산출해야 한다. 분석 과정에서 나중에 중요한 주제일 수 있기 때문에 처음에는 대수롭지 않더라도 테마를 폐기하는 것을 피하는 것이 중요하다.[1]

4단계: 테마 검토

이 단계에서는 연구자가 코드화된 데이터와 전체 데이터 집합에 대해 초기 테마를 점검할 것을 요구한다. 이는 분석이 데이터에서 너무 멀리 떨어지지 않도록 하기 위한 것이며 연구 질문에 관련된 데이터에 대한 설득력 있는 계정을 제공하기 위한 것이다. 이러한 검토 과정은 또한 테마가 발전함에 따라 테마의 추가 확대 및 수정을 가능하게 한다. 이 시점에서, 이 단계는 초기 테마의 재작업이 이루어지는 것이기 때문에, 연구자들은 일련의 잠재적인 테마를 가져야 한다. 기존의 어떤 주제들은 서로 붕괴될 수도 있고, 다른 주제들은 더 작은 단위로 압축될 필요가 있을 수도 있고, 아니면 모두 함께 놓아야 할 수도 있다.[1]

특히 이 단계에는 두 단계의 정제 및 검토 주제가 포함된다. 중복되는 주제 사이의 연결은 중요한 정보 출처 역할을 할 수 있으며 연구자들에게 데이터에서 새로운 패턴과 이슈의 가능성을 경고할 수 있다. 게스트 및 동료에게 코드화된 자료의 편차는 연구자에게 테마가 실제로 데이터를 이해하는 데 유용하지 않을 수 있으므로 폐기해야 한다는 사실을 알릴 수 있다. 이 두 가지 인정은 테마의 부재를 포함하여 연구자의 반사성 저널에 기록되어야 한다.[2] 코드는 데이터를 그 개념에 대한 개인의 개념과 연관시키는 한 가지 방법의 역할을 한다. 이 시점에서 연구자는 코드의 흥미로운 측면과 그것들이 왜 서로 잘 맞는가에 초점을 맞춰야 한다.[2]

레벨 1(코딩된 데이터에 대한 테마 검토)

코드화된 데이터 추출물을 검토하면 연구자들은 테마가 일관성 있는 패턴을 형성하는지 확인할 수 있다. 이럴 경우 연구자들은 레벨 2로 옮겨야 한다. 테마가 일관성 있는 패턴을 형성하지 않는다면, 잠재적으로 문제가 될 수 있는 테마에 대한 고려가 필요하다.[1] 테마가 문제라면 테마를 재작업하는 것이 중요하고 그 과정에서 새로운 테마가 전개될 수도 있다.[1] 예를 들어 테마가 '일'로 나타나지 않거나(데이터에 대해 설득력 있는 것을 포착) 테마 간에 상당한 중복이 있을 경우 문제가 된다. 이는 데이터의 취약하거나 신뢰할 수 없는 분석을 초래할 수 있다. 이렇게 되면 서로 배타적인 통합 테마를 만들기 위해 데이터를 인식할 필요가 있을 수 있다.[1]

레벨 2(전체 데이터 세트에 대한 테마 검토)

개별 테마의 유효성과 데이터 집합 전체를 연결하는 방법을 고려하는 것이 다음 검토 단계다. 잠재적인 주제 지도 의미가 연구 문제와 관련된 데이터의 중요한 정보를 포착하는지 여부를 반드시 평가해야 한다. 다시 한 번, 이 단계에서 데이터를 읽고 다시 읽어 현재의 테마가 데이터 집합과 다시 관련되는지 확인하는 것이 중요하다. 이 프로세스를 지원하려면 초기 코딩 단계에서 누락되었을 수 있는 추가 항목을 코딩해야 한다. 잠재적 지도가 의미 있게 데이터를 캡처하고 일관성 있는 이야기를 전달하기 위해 '작동'한다면, 연구자는 다음 분석 단계로 진행해야 한다. 지도가 작동하지 않을 경우 기존 테마를 계속 검토하고 다듬고 추가 코딩까지 수행하기 위해 데이터로 돌아가는 것이 중요하다. 데이터와 분석적 청구 사이의 불일치는 데이터가 제공할 수 있는 지원의 양을 감소시킨다. 이는 연구자가 데이터와 분석적 통찰력에 대한 해석이 일치한다고 확신할 경우 피할 수 있다.[1] 연구자들은 주제도에 만족할 때까지 이 과정을 반복한다. 이 단계가 끝날 때쯤, 연구자들은 테마가 무엇이고, 그들이 어떻게 조화를 이루는지 알게 되어 데이터 세트에 대한 이야기를 전달한다.[1]

5단계: 테마 정의 및 이름 지정

최종 분석에 제시될 기존 테마를 정의하고 다듬는 것은 연구자가 각 테마의 데이터를 분석하는 데 도움이 된다. 이 단계에서 테마의 본질에 대한 식별은 각 특정 테마가 데이터의 전체 그림의 일부를 구성하는 방법과 관련이 있다. 이 단계의 분석은 데이터의 어떤 측면이 포착되고 있으며 테마에 대해 어떤 점이 흥미로운지, 테마가 어떻게 조화를 이루어 데이터에 대한 일관성 있고 설득력 있는 이야기를 들려주는지를 파악하는 것이 특징이다.

현재의 테마가 하위 테마를 포함하고 있는지 여부를 파악하고 테마의 더 깊은 깊이를 발견하기 위해서는 전체 그림 내에서 테마를 고려하는 것은 물론 자율적인 테마로서도 고려하는 것이 중요하다. 브라운과 클라크는 많은 하위 주제와 많은 수준의 테마를 개발하는 데 주의를 기울여야 한다고 권고한다. 이는 지나치게 세분화된 분석을 초래할 수 있기 때문이다.[45] 그런 다음, 연구자들은 각 테마의 이야기와 그 중요성을 파악하기 위해 상세한 분석을 실시하고 작성해야 한다.[1] 이 단계가 끝날 때까지 연구자들은 (1) 현재의 테마가 무엇으로 구성되어 있는지 정의할 수 있고, (2) 각 테마를 몇 문장으로 설명할 수 있다. 연구자들은 독자들에게 주제와 그 중요성에 대한 완전한 감각을 줄 테마의 이름에 대해 생각하기 시작한다는 것을 주목해야 한다.[1] 데이터를 완전히 분석하지 못하는 것은 연구자들이 단순히 데이터의 내용을 기술하거나 패러프레이징하는 것을 넘어 자신의 분석을 뒷받침하기 위해 데이터를 사용하지 않을 때 발생한다. 주제 분석을 수행하는 연구자는 데이터의 표면적 의미를 넘어 데이터의 의미를 이해하고 데이터의 의미에 대한 정확한 이야기를 들려주도록 노력해야 한다.[1]

6단계: 보고서 작성

최종 테마를 검토한 후, 연구자들은 최종 보고서를 작성하는 과정을 시작한다. 최종 보고서를 작성하는 동안 연구자들은 나중에 최종 주제로 다듬어야 할 연구 질문에 대한 답변에 의미 있는 기여를 하는 주제를 결정해야 한다. 코딩 신뢰성 지지자인 게스트와 동료들을 위해 연구자들은 결과에 대한 두꺼운 설명을 통해 신뢰도를 높일 수 있도록 각 주제와 연결된 대화를 제시한다.[2] 이 단계의 목표는 주제 분석을 작성하여 독자에게 분석의 타당성과 장점을 납득시키는 방식으로 데이터의 복잡한 이야기를 전달하는 것이다.[1] 주제를 넘나들며 이야기의 명확하고 간결하고 솔직한 논리적인 설명은 독자들이 최종 보고서를 이해하는 데 중요하다. 보고서 작성에는 데이터 내의 테마가 데이터 집합과 관련이 있다는 충분한 증거가 포함되어야 한다. 분석에서 포인트의 전체 의미를 포착할 수 있도록 서술에 추출물이 포함되어야 한다. 그 주장은 연구 문제를 지지해야 한다. 일부 주제 분석 지지자들의 경우, 보고서를 작성하는 마지막 단계는 신뢰도를 확립하기 위한 수단으로 회원 확인을 포함하는 것이며, 연구자들은 피드백을 이끌어내기 위해 참가자들에게 최종 주제와 지원 대화를 취하는 것을 고려해야 한다.[2] 그러나 브라운과 클라크는 회원 체크 관행에 비판적이며 주제 분석에 대한 반사적 접근법에서 일반적으로 바람직한 관행으로 보지 않는다.[13] 회원 체크에 관한 수많은 현실적인 우려를 강조할 뿐만 아니라, 그들은 참여자의 계정을 그들이 인식할 수 있는 방식으로 설명하고 요약하려는 접근방식과 이론적으로 일관성이 있을 뿐이라고 주장한다.[13] 이들의 반사적 주제 분석 접근방식이 연구자의 능동적이고 해석적인 역할을 집중시킨다면, 이는 그들의 접근방식을 사용하여 생성된 분석에는 적용되지 않을 수 있다.

장단점

연구 설계에 대한 기술적 또는 실용적 관점은 연구자들이 연구 질문에 가장 적절한 방법을 사용하여 정성적 분석을 수행하도록 한다.[13] 그러나 이상적인 방법이나 적합한 방법만이 있는 경우는 드물기 때문에 분석 방법을 선택하는 다른 기준, 즉 연구자의 이론적 약속과 특정 방법에 대한 숙지가 자주 사용된다. 주제 분석은 유연한 데이터 분석 방법을 제공하며 다양한 방법론적 배경을 가진 연구자들이 이러한 유형의 분석에 참여할 수 있도록 한다.[1] 실증주의자들에게 '신뢰성'은 가능한 데이터의 수많은 잠재적 해석과 연구자의 주관성이 '바이어스' 또는 분석을 왜곡할 가능성이 있기 때문에 우려되는 사항이다. 정성적 연구 가치에 전념하는 사람들에게 연구자 주관성은 (신뢰성에 대한 위협이 아니라) 자원으로 간주되기 때문에 신뢰성에 대한 우려가 지속되지 않는다. 데이터에 대한 정확하고 정확한 해석은 없으며, 해석은 필연적으로 주관적이며 연구자의 위치를 반영한다. 품질은 체계적이고 엄격한 접근방식과 연구자를 통해 개발 분석을 어떻게 형성하고 있는지에 대한 지속적인 반성을 통해 달성된다. 브라운과 클라크는 반사적 접근을 위한 15점 품질 체크리스트를 개발했다. 코딩 신뢰성 주제 분석 지지자의 경우 복수의 코더 사용과 코딩 합의의 측정이 필수적이다.[2]

주제분석은 여러 가지 장단점이 있는데, 이 분석방법이 연구 설계에 적합한지 여부는 연구자들의 판단에 달려 있다.

이점

  • 연구자들에게 허용한 이론 및 연구 설계 유연성 - 다양한 인식론에 걸쳐 여러 이론이 이 과정에 적용될 수 있다.[1]
  • 대용량 데이터 [2][1]세트에 적합
  • 코드북 및 코딩 신뢰성 접근방식은 연구팀과 함께 사용하도록 설계되었다.
  • 데이터에 의해 지원되는 테마의 해석.[2]
  • 개인의 경험을 뛰어넘는 연구 질문에 적용할 수 있다.[2]
  • 데이터로부터 코드와 테마를 유도적으로 개발할 수 있도록 한다.[14]

단점들

  • 주제 분석은 연구자가 주의하지 않고 이론적 진공에서 주제 분석을 사용하는 경우 미묘한 데이터를 놓칠 수 있다.[2][1]
  • 유연성은 초보 연구자들이 데이터의 어떤 측면에 초점을 맞추어야 할지를 결정하는 것을 어렵게 만들 수 있다.[1]
  • 분석이 이론적 프레임워크에 근거하지 않는 경우 제한된 해석력.[1]
  • 데이터 항목 간에 테마를 식별하는 데 집중하기 때문에 개별 계정에서 데이터의 연속성을 유지하기 어렵다.[1]
  • 연구자가 언어 사용에 대한 기술적 주장을 할 수 없도록 한다(담화 분석 및 서술적 분석과 달리).[1]

링크

참고 항목

참조

  1. ^ a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab ac ad ae af ag ah ai aj ak al am an ao ap aq Braun, Virginia; Clarke, Victoria (2006). "Using thematic analysis in psychology". Qualitative Research in Psychology. 3 (2): 77–101. doi:10.1191/1478088706qp063oa. S2CID 10075179.
  2. ^ a b c d e f g h i j k l m n o p q r s t Guest, Greg; MacQueen, Kathleen; Namey, Emily (2012). Applied thematic analysis. Thousand Oaks, California: SAGE Publications. p. 11.
  3. ^ a b c d e f Braun, Virginia; Clarke, Victoria (2019). "Thematic analysis". Handbook of Research Methods in Health Social Sciences. Hoboken, New Jersey: Springer: 843–860. doi:10.1007/978-981-10-5251-4_103. ISBN 978-981-10-5250-7.
  4. ^ a b c d e f Boyatzis, Richard (1998). Transforming qualitative information: Thematic analysis and code development. Thousand Oaks, CA: Sage.
  5. ^ a b Gale, Nicola; Heath, Gemma (2013). "Using the framework method for the analysis of qualitative data in multi-disciplinary health research". BMC Medical Research Methodology. 13: 117. doi:10.1186/1471-2288-13-117. PMC 3848812. PMID 24047204.
  6. ^ a b King, Nigel; Brooks, Joanna (2016). Template analysis for business and management students. Sage.
  7. ^ a b Groenland, Edward (2014). "Employing the Matrix Method as a Tool for the Analysis of Qualitative Research Data in the Business Domain". SSRN. doi:10.2139/ssrn.2495330. S2CID 59826786. SSRN 2495330.
  8. ^ Langdridge, Darren (2004). Introduction to research methods and data analysis in psychology. The Open University.
  9. ^ Hayes, Nicky (2000). Doing psychological research. Open University Press.
  10. ^ Braun, Virginia; Clarke, Victoria (2019). "Reflecting on reflexive thematic analysis". Qualitative Research in Sport, Exercise and Health. 11 (4): 589–597. doi:10.1080/2159676x.2019.1628806. S2CID 197748828.
  11. ^ Willig, Carla (2013). Introducing qualitative research in psychology. Open University Press.
  12. ^ Daly, Jeanne; Kellehear, Allan; Gliksman, Michael (1997). The public health researcher: A methodological approach. Melbourne, Australia: Oxford University Press. pp. 611–618. ISBN 978-0195540758.
  13. ^ a b c d e f g Braun, Virginia; Clarke, Victoria (2013). Successful qualitative research: A practical guide for beginners. Sage.
  14. ^ a b c d e f g h Saldana, Johnny (2009). The Coding Manual for Qualitative Researchers. Thousand Oaks, California: Sage.
  15. ^ Dapkus, Marilyn (1985). "A thematic analysis of the experience of time". Journal of Personality and Social Psychology. 49 (2): 408–419. doi:10.1037/0022-3514.49.2.408. PMID 4032226.
  16. ^ Clarke, Victoria; Braun, Virginia (2014). "Thematic anaysis". Encyclopedia of Critical Psychology. Springer: 1947–1952. doi:10.1007/978-1-4614-5583-7_311. ISBN 978-1-4614-5582-0.
  17. ^ Crabtree, B (1999). Doing Qualitative Research. Newbury Park, CA: Sage.
  18. ^ Kidder, Louise; Fine, Michelle (1987). "Qualitative and quantitative methods: When stories converge". New Directions for Program Evaluation. 1987 (Fall) (35): 57–75. doi:10.1002/ev.1459.
  19. ^ Morse, Janice (1997). ""Perfectly Healthy, but Dead": The Myth of Inter-Rater Reliability". Qualitative Health Research. 7 (4): 445–447. doi:10.1177/104973239700700401.
  20. ^ Yardley, Lucy (2008). "Demonstrating validity in qualitative psychology". Qualitative Psychology: A Practical Guide to Research Methods. Sage: 235–251.
  21. ^ a b Braun, Virginia; Clarke, Victoria (2014). "How to use thematic analysis with interview data". The Counselling and Psychotherapy Research Handbook: 183–197.
  22. ^ Terry, Gareth; Hayfield, Nikki; Clarke, Victoria; Braun, Virginia (2017). "Thematic analysis". The Sage Handbook of Qualitative Research in Psychology: 17–36. doi:10.4135/9781526405555. ISBN 9781473925212.
  23. ^ DeSantis, Lydia; Ugarriza, Doris (2000). "The concept of theme as used in qualitative nursing research". Western Journal of Nursing Research. 22 (3): 351–372. doi:10.1177/019394590002200308. PMID 10804897. S2CID 37545647.
  24. ^ Clarke, Victoria; Braun, Virginia (2018). "Using thematic analysis in counselling and psychotherapy research: A critical reflection". Counselling & Psychotherapy Research. 18 (2): 107–110. doi:10.1002/capr.12165.
  25. ^ Connelly, Lynne; Peltzer, Jill (2016). "Underdeveloped Themes in Qualitative Research: Relationship With Interviews and Analysis". Clinical Nurse Specialist. 30 (1): 52–57. doi:10.1097/nur.0000000000000173. PMID 26626748. S2CID 5942773.
  26. ^ Sandelowski; Leeman, Jennifer (2012). "Writing using qualitative health research findings". Qualitative Health Research. 22 (10): 1404–1413. doi:10.1177/1049732312450368. PMID 22745362. S2CID 26196750.
  27. ^ a b Saldana, Johnny (2009). The Coding Manual for Qualitative Researchers. Thousand Oaks, California: Sage. p. 13.
  28. ^ Creswell, John (1994). Research Design: Qualitative & Quantitative Approaches. Thousand Oaks, CA: Sage Publications, Inc. pp. 147.
  29. ^ Locke, L.F. (1987). Proposals that work: A guide for planning dissertations and grant proposals. Newbury Park, CA: Sage Publications, Inc.
  30. ^ Creswell, John (2007). Qualitative Inquiry & Research Design: Choosing Among Five Approaches. Thousand Oaks, CA: Sage Publications, Inc. pp. 178–180.
  31. ^ Lincoln; Guba (1995). "Criteria For Rigor in Qualitative research". {{cite journal}}: Cite 저널은 필요로 한다. journal= (도움말)
  32. ^ Malterud, Kirsti (2016). "Sample Size in Qualitative Interview Studies: Guided by Information Power". Qualitative Health Research. 26 (13): 1753–1760. doi:10.1177/1049732315617444. PMID 26613970. S2CID 34180494.
  33. ^ Guest, Greg; Bunce, Arwen; Johnson, Laura (2006). "How Many Interviews Are Enough?: An Experiment with Data Saturation and Variability". Field Methods. 18 (1): 59–82. doi:10.1177/1525822x05279903. S2CID 62237589.
  34. ^ Hennink, Monique; Kaiser, Bonnie (2016). "Code Saturation Versus Meaning Saturation: How Many Interviews Are Enough?". Qualitative Health Research. 27 (4): 591–608. doi:10.1177/1049732316665344. PMID 27670770. S2CID 4904155.
  35. ^ Low, Jacqueline (2019). "A Pragmatic Definition of the Concept of Theoretical Saturation". Sociological Focus. 52 (2): 131–139. doi:10.1080/00380237.2018.1544514. S2CID 149641663.
  36. ^ Fugard AJ, Potts HW (10 February 2015). "Supporting thinking on sample sizes for thematic analyses: A quantitative tool". International Journal of Social Research Methodology. 18 (6): 669–684. doi:10.1080/13645579.2015.1005453.
  37. ^ Lowe, Andrew; Norris, Anthony C.; Farris, A. Jane; Babbage, Duncan R. (2018). "Quantifying Thematic Saturation in Qualitative Data Analysis". Field Methods. 30 (3): 191–207. doi:10.1177/1525822X17749386. ISSN 1525-822X. S2CID 148824883.
  38. ^ Braun, Virginia; Clarke, Victoria (2016). "(Mis)conceptualising themes, thematic analysis, and other problems with Fugard and Potts' (2015) sample-size tool for thematic analysis" (PDF). International Journal of Social Research Methodology. 19 (6): 739–743. doi:10.1080/13645579.2016.1195588. S2CID 148370177.
  39. ^ Hammersley, Martyn (2015). "Sampling and thematic analysis: a response to Fugard and Potts". International Journal of Social Research Methodology. 18 (6): 687–688. doi:10.1080/13645579.2015.1005456. S2CID 143933992.
  40. ^ Byrne, David (2015). "Response to Fugard and Potts: supporting thinking on sample sizes for thematic analyses: a quantitative tool". International Journal of Social Research Methodology. 16 (6): 689–691. doi:10.1080/13645579.2015.1005455. S2CID 144817485.
  41. ^ Emmel, Nick (2015). "Themes, variables, and the limits to calculating sample size in qualitative research: a response to Fugard and Potts" (PDF). International Journal of Social Research Methodology. 18 (6): 685–686. doi:10.1080/13645579.2015.1005457. S2CID 55615136.
  42. ^ Braun, Virginia; Clarke, Victoria (2012). "Thematic analysis". APA Handbook of Research Methods in Psychology. Vol. 2. pp. 57–71. doi:10.1037/13620-004. ISBN 978-1-4338-1005-3.
  43. ^ a b c Miles, M.B. (1994). Qualitative data analysis: An expanded sourcebook. Thousand Oaks, California: Sage. ISBN 9780803955400.
  44. ^ a b c d e f g h i j k l Coffey, Amanda; Atkinson, Paul (1996). Making Sense of Qualitative Data. Sage. p. 30.
  45. ^ Clarke, Victoria; Braun, Virginia (2016). "Thematic analysis". Analysing Qualitative Data in Psychology. Sage: 84–103.