Buscar todos los temas y autores

Descubrir temas en los datos cualitativos puede ser desalentador y difícil. Resumir un estudio cuantitativo es relativamente claro: has sacado un 25% más que la competencia, digamos. Pero, ¿cómo se resume una colección de observaciones cualitativas?

En las primeras etapas de un proyecto, a menudo se lleva a cabo una investigación exploratoria. Esta investigación suele producir muchos datos cualitativos, que pueden incluir:

Datos cualitativos de actitud, como los pensamientos, las creencias y las necesidades autodeclaradas de las personas, obtenidos a partir de entrevistas a usuarios, grupos de discusión e incluso estudios de diarios

Datos cualitativos de comportamiento, como las observaciones sobre el comportamiento de las personas recogidas a través de la investigación contextual y otros enfoques etnográficos

El análisis temático, que cualquiera puede realizar, hace visibles aspectos importantes de los datos cualitativos y facilita el descubrimiento de temas.

¿Qué es un análisis temático?

Definición: El análisis temático es un método sistemático para desglosar y organizar los datos ricos de la investigación cualitativa mediante el etiquetado de las observaciones y citas individuales con códigos apropiados, para facilitar el descubrimiento de temas significativos.

Como su nombre indica, un análisis temático implica encontrar temas.

Definición: Un tema:

• es una descripción de una creencia, práctica, necesidad u otro fenómeno que se descubre a partir de los datos
• surge cuando los hallazgos relacionados aparecen múltiples veces a través de los participantes o las fuentes de datos

Desafíos con el análisis de datos cualitativos

Muchos investigadores se sienten abrumados por los datos cualitativos de la investigación exploratoria realizada en las primeras etapas de un proyecto. La siguiente tabla destaca algunos desafíos comunes y los problemas resultantes.

CHALLENGES	RESULTING ISSUES
Large quantity of data: Qualitative research results in long transcripts and extensive field notes that can be time-consuming to read; you may have a hard time seeing patterns and remembering what’s important.	Superficial analysis: Analysis is often done very superficially, just skimming topics, focusing on only memorable events and quotes, and missing large sections of notes.
Rich data: There are lots of detail within every sentence or paragraph. It can be hard to see which details are useful and which are superfluous.	Analysis becomes a description of many details: The analysis simply becomes a regurgitation of what participants’ may have said or done, without any analytical thinking applied to it.
Contradicting data: A veces los datos de diferentes participantes o incluso del mismo participante contienen contradicciones a las que los investigadores tienen que dar sentido.	Los resultados no son definitivos: El análisis no es definitivo porque los comentarios de los participantes son contradictorios o, lo que es peor, se ignoran los puntos de vista que no encajan con la creencia del investigador.
No se establecen objetivos para el análisis: Los objetivos de la recopilación inicial de datos se pierden porque los investigadores pueden fácilmente quedar demasiado absorbidos por los detalles.	Pérdida de tiempo y análisis mal orientado: El análisis carece de enfoque y la investigación informa sobre lo que no corresponde.

Sin algún tipo de proceso sistemático, los problemas señalados surgen fácilmente al analizar datos cualitativos. El análisis temático mantiene a los investigadores organizados y centrados y les da un proceso general a seguir cuando analizan datos cualitativos.

Herramientas y métodos para llevar a cabo el análisis temático

Un análisis temático puede realizarse de muchas maneras diferentes. La mejor herramienta o método para este proceso se determina en función de:

• los datos
• el contexto y las limitaciones de la fase de análisis de datos
• el estilo personal de trabajo del investigador

3 métodos comunes incluyen:

• Utilización de software
• Diario
• Utilización de técnicas de diagramación de afinidad

Utilización de software

Para analizar grandes cantidades de datos cualitativos, los investigadores cualitativos suelen utilizar un software, conocido como CAQDAS (Computer-Aided Qualitative-Data-Analysis software) – pronunciado «cak∙das». Los investigadores introducen las transcripciones y las notas de campo en un programa informático y, a continuación, analizan el texto sistemáticamente mediante una codificación formal. El software ayuda a descubrir los temas ofreciendo diversas herramientas de visualización, como árboles de palabras o nubes de palabras, que permiten manipular los datos codificados de muchas maneras diferentes.

Beneficios

• El análisis es muy exhaustivo.
• Un archivo físico del proyecto (que contiene los datos en bruto y el análisis) puede compartirse con otros. (Este método es popular en los proyectos de los estudiantes en las instituciones académicas.)

Desventajas

• Consume mucho tiempo, ya que resulta en muchos códigos que necesitan ser condensados en una pequeña, manejable
• Cargo
• Difícil de analizar con otros de forma sincrónica
• Requiere un cierto aprendizaje del software
• Puede parecer restrictivo

Los diarios

Escribir los procesos de pensamiento y las ideas que se tienen sobre un texto es común entre los investigadores que practican la metodología de la teoría fundamentada. Journaling as a form of thematic analysis is based on this methodology and involves manual annotation and highlighting of the data, followed by writing down the researchers’ ideas and thought processes. The notes are known as memos (not to be confused with the office memo delivering news to employees).

Benefits

• The process encourages reflection through the writing of detailed notes.
• Researchers have a record of how they arrived at their themes.
• The analysis is cheap and flexible.

Drawbacks

• Hard to do collaboratively

Affinity-Diagramming Techniques

The data is highlighted, cut out physically or digitally, and reassembled into meaningful groups until themes emerge on a physical or digital board. (See a video demonstrating affinity-diagramming.)

Benefits

• Can be done collaboratively
• Quick arriving at themes
• Cheap and flexible
• Visual, y admite un proceso de análisis iterativo

Desventajas

• No es tan exhaustivo como otros métodos, ya que a menudo los segmentos de texto no se codifican varias veces
• Difícil de hacer cuando los datos son muy variados o hay muchos datos

Códigos y codificación

Todos los métodos de análisis temático suponen cierta codificación (no confundir con escribir un programa en un lenguaje de programación).

Definición: Un código es una palabra o frase que actúa como una etiqueta para un segmento de texto.

Un código describe de qué trata el texto y es una taquigrafía para información más complicada. (Una buena analogía es que un código describe los datos como una palabra clave describe un artículo o como un hashtag describe un tweet). A menudo, los investigadores cualitativos no sólo tienen un nombre para cada código, sino que también tienen una descripción de lo que significa el código y ejemplos de texto que se ajustan o no al código. Estas descripciones y ejemplos son especialmente útiles si más de una persona es responsable de la codificación de los datos o si la codificación se realiza durante un período de tiempo más largo.

Definición: La codificación se refiere al proceso de etiquetar segmentos de texto con los códigos apropiados.

Una vez asignados los códigos, es fácil identificar y comparar segmentos de texto que tratan de lo mismo. Los códigos nos permiten ordenar la información con facilidad y analizar los datos para descubrir similitudes, diferencias y relaciones entre los segmentos. Así podemos llegar a comprender los temas esenciales.



Tipos de códigos: Descriptivos e interpretativos

Los códigos pueden ser:

• Descriptivos: Describen de qué tratan los datos
• Interpretativos: Son una lectura analítica de los datos, añadiendo la lente interpretativa del investigador.

Para ver ejemplos de códigos descriptivos e interpretativos, veamos una cita de una entrevista que realicé a un profesional de UX a principios de este año (como parte de nuestra investigación UX Careers, que se publicará en nuestro informe UX Careers).

«Estaba petrificado por facilitar una reunión y mi empresa ofreció un curso de un día y medio. Así que fui allí y el instructor hizo algo que me pareció horrible en ese momento, pero que desde entonces he llegado a apreciar. Lo primero que hicimos fue rellenar una hoja de papel con nuestro nombre y escribir nuestro peor miedo a moderar o facilitar y lo entregamos y entonces dijo, vale, mañana vais a representar esta situación (…) al día siguiente volvíamos y yo salía de la sala mientras el resto del equipo leía, leían mi peor miedo, imaginaban cómo lo representarían, y entonces yo entraba y facilitaba durante 10 minutos con eso. Y eso realmente me ayudó a darme cuenta de que no hay nada que temer, que nuestros miedos están realmente en nuestra cabeza la mayor parte del tiempo y enfrentarme a eso me hizo darme cuenta de que puedo manejar estas situaciones.»

Aquí hay posibles códigos descriptivos e interpretativos para el texto anterior:

Código descriptivo: cómo se adquieren las habilidades
Relación con la etiqueta del código: Se pidió a los participantes que describieran cómo llegaron a poseer ciertas habilidades.

Código interpretativo: autorreflexión
Razón detrás de la etiqueta de código: La participante describe cómo esta experiencia cambió sus creencias sobre la facilitación y cómo reflexionó sobre su miedo.

Pasos para realizar un análisis temático

Independientemente de la herramienta que utilice (software, diario o diagrama de afinidad), el acto de realizar un análisis temático puede desglosarse en 6 pasos.



Paso 1: Reunir todos los datos

Empiece con los datos brutos, como las transcripciones de las entrevistas o de los grupos focales, las notas de campo o las entradas de los diarios. Recomendé transcribir las grabaciones de audio de las entrevistas y utilizar las transcripciones para el análisis en lugar de confiar en la memoria irregular.

Paso 2: Lea todos sus datos de principio a fin

Familiarícese con los datos antes de comenzar el análisis, incluso si fue usted quien realizó la investigación. Lea todas sus transcripciones, notas de campo y otras fuentes de datos antes de analizarlas. En este paso, puedes involucrar a tu equipo en el proyecto. Involucrar a tu equipo inculca el conocimiento de los usuarios y la empatía hacia ellos y sus necesidades.

Ejecuta un taller (o una serie de talleres si tu equipo es muy grande o tienes muchos datos). Siga estos pasos:

1. Antes de que los miembros de su equipo se pongan a trabajar con los datos, escriba sus preguntas de investigación en una pizarra o en un trozo de papel de rotafolio para que sea fácil consultar las preguntas mientras se trabaja.
2. Dé a cada miembro una transcripción o una entrada de estudio de campo o de diario. Dígales que resalten todo lo que consideren importante.
3. Una vez que los miembros del equipo hayan terminado de leer sus entradas, pueden pasar su transcripción o entrada a otra persona y recibir una nueva de otro miembro del equipo. Este paso se repite hasta que todos los miembros del equipo se hayan comprometido con todos los datos.
4. Discutan en grupo lo que hayan notado o encontrado sorprendente.

Aunque lo mejor es que tu equipo observe todas las sesiones de investigación, esto puede no ser posible si tienes muchas sesiones o un equipo grande. Cuando los miembros del equipo observan sólo un puñado de sesiones, a veces se van con una comprensión incompleta de los resultados. El taller puede resolver ese problema, ya que todos leerán todas las transcripciones de las sesiones.

Paso 3: Codificar el texto en función de lo que se trata

En el paso de codificación, las secciones resaltadas deben ser categorizadas para que las secciones resaltadas puedan ser fácilmente comparadas.

En esta etapa, recuérdese los objetivos de su investigación. Imprime tus preguntas de investigación. Péguelas en una pared o en una pizarra blanca en la sala donde esté realizando el análisis.

Si dispone de tiempo suficiente, puede involucrar a su equipo en este paso inicial de codificación. Si el tiempo es limitado y hay muchos datos con los que trabajar, haga este paso usted solo e invite a su equipo más tarde a revisar sus códigos y a ayudar a dar cuerpo a los temas.

Mientras codifica, revise cada segmento de texto y pregúntese «¿De qué trata esto?». Dé al fragmento un nombre que describa los datos (un código descriptivo). También puede añadir códigos interpretativos al texto en esta fase. Sin embargo, estos suelen ser más fáciles de asignar más adelante.

El código puede crearse antes o después de haber agrupado los datos. Las dos secciones siguientes de este paso describen cómo y cuándo puede añadir los códigos.

Método tradicional: Cree los códigos antes de agrupar

En el método tradicional, a medida que subraya segmentos de los datos, como oraciones, párrafos, frases, los codifica. Resulta útil llevar un registro de todos los códigos utilizados y resumir cuáles son, de modo que pueda consultar esta lista cuando codifique otras secciones del texto (especialmente si varias personas codifican el texto). Este enfoque evita la creación de múltiples códigos (que más tarde tendrán que ser consolidados) para el mismo tipo de tema.

Una vez que todo el texto ha sido codificado, puede agrupar todos los datos que tienen el mismo código.

Si está utilizando CAQDAS para este proceso, entonces el software registra automáticamente los códigos que asigna mientras codifica, para que pueda utilizarlos de nuevo. A continuación, proporciona una forma de ver todo el texto codificado con el mismo código.

Método rápido: Agrupar segmentos de texto y luego asignar un código

En lugar de idear un código cuando se resalta el texto, se cortan (física o digitalmente) y se agrupan todos los segmentos resaltados similares (de forma similar a como se pueden agrupar diferentes pegatinas en un mapa de afinidad). Las agrupaciones reciben entonces un código. Si se hace la agrupación digitalmente, se pueden extraer las secciones codificadas en un nuevo documento o en una plataforma de colaboración visual.

En las imágenes de abajo, la agrupación se hizo manualmente. Las transcripciones se cortaron, se fijaron en pegatinas y se movieron por el tablero hasta que cayeron en grupos de temas naturales. A continuación, el investigador asignó un adhesivo rosa con un código descriptivo a la agrupación.

Al final de este paso, debería tener los datos agrupados por temas y códigos para cada tema.

Veamos un ejemplo. Entrevisté a 3 personas sobre su experiencia de cocinar en casa. En estas entrevistas, los participantes hablaron sobre cómo eligieron cocinar ciertas cosas y no otras. Hablaron de los retos específicos a los que se enfrentaban al cocinar (por ejemplo requisitos dietéticos, presupuestos ajustados, falta de tiempo y espacio físico) y sobre las soluciones para algunos de estos desafíos.

Después de agrupar los recortes destacados de mis entrevistas por temas, terminé con 3 amplios códigos descriptivos y sus correspondientes agrupaciones:

• Experiencias culinarias: experiencias memorables positivas y negativas relacionadas con la cocina
• Puntos de dolor: cualquier cosa que impida a alguien cocinar o que dificulte la cocina (incluyendo la navegación por restricciones dietéticas, presupuestos limitados, etc.)
• Cosas que ayudan: lo que ayuda (o se cree que posiblemente ayuda) a alguien a superar retos específicos o puntos de dolor

Paso 4: Crear nuevos códigos que encapsulen temas potenciales

Mire a través de todos los códigos y explore cualquier relación causal, similitudes, diferencias o contradicciones para ver si puede descubrir temas subyacentes. Al hacerlo, algunos de los códigos serán apartados (archivados o eliminados) y se crearán nuevos códigos interpretativos. Si está utilizando un enfoque de mapeo físico como el discutido en el paso 3, entonces algunas de estas agrupaciones iniciales pueden colapsar o expandirse a medida que busca temas.

Pregunte lo siguiente:

• ¿Qué sucede en cada grupo?
• ¿Cómo están relacionados estos códigos?
• ¿Cómo se relacionan con mis preguntas de investigación?

Volviendo a nuestro tema de la cocina, al analizar el texto dentro de cada agrupación y buscar relaciones entre los datos, me di cuenta de que dos participantes dijeron que les gustaban los ingredientes que se pueden preparar de diferentes maneras y que van bien con otros ingredientes diferentes. Una tercera participante dijo que le gustaría tener un conjunto de ingredientes que pudieran utilizarse para muchas comidas diferentes a lo largo de la semana, en lugar de tener que comprar ingredientes distintos para cada plan de comidas. Así, surgió un nuevo tema sobre la flexibilidad de los ingredientes. Para este tema, se me ocurrió el código un ingrediente sirve para todo, para el que luego escribí una descripción detallada.



Paso 5: Descansar un día y volver a los datos

Casi siempre es una buena idea tomarse un descanso y volver a mirar los datos con otros ojos. Hacer esto a veces le ayuda a ver patrones significativos en los datos con claridad y a derivar ideas innovadoras.

Paso 6: Evaluar sus temas para ver si se ajustan bien

En este paso, puede ser útil contar con la participación de otras personas que le ayuden a revisar sus códigos y temas emergentes. No sólo se extraen nuevas ideas, sino que sus conclusiones pueden ser cuestionadas y criticadas por ojos y cerebros nuevos. Esta práctica reduce la posibilidad de que su interpretación se vea afectada por prejuicios personales.

Ponga sus temas a prueba. Hágase estas preguntas:

• ¿El tema está bien respaldado por los datos? ¿O podría encontrar datos que no apoyen su tema?
• ¿Está el tema saturado con muchos casos?
• ¿Están los demás de acuerdo con los temas que ha encontrado en los datos después de analizar los datos por separado?

Si la respuesta a estas preguntas es no, podría significar que necesita volver a la mesa de análisis. Suponiendo que haya recogido datos sólidos, casi siempre hay algo que aprender, por lo que pasar más tiempo con su equipo repitiendo los pasos 4-6 merecerá la pena.

Conclusión

Utilice el análisis temático como una guía útil para vadear eficazmente muchos datos cualitativos. No hay una sola manera de hacer un análisis temático. Elija un método de análisis que se adapte al tipo y al volumen de datos que ha recogido. Cuando sea posible, invite a otras personas a participar en el proceso de análisis para aumentar tanto la precisión del análisis como el conocimiento de su equipo sobre los comportamientos, las motivaciones y las necesidades de sus usuarios. El análisis puede ser un proceso largo, por lo que una buena regla general es presupuestar tanto tiempo como el que tuvo para la recolección de datos para completar el análisis.

Aprenda más: Entrevistas a usuarios, Técnicas avanzadas para descubrir valores, motivaciones y deseos, un curso de un día completo en la Conferencia UX.