Sfoglia tutti gli argomenti e gli autori

Scoprire i temi nei dati qualitativi può essere scoraggiante e difficile. Riassumere uno studio quantitativo è relativamente chiaro: hai ottenuto un punteggio del 25% migliore della concorrenza, diciamo. Ma come si fa a riassumere una collezione di osservazioni qualitative?

Nelle prime fasi di un progetto, viene spesso effettuata una ricerca esplorativa. Questa ricerca spesso produce molti dati qualitativi, che possono includere:

Dati attitudinali qualitativi, come i pensieri delle persone, le credenze e i bisogni auto-riferiti ottenuti da interviste agli utenti, focus group e anche studi di diario

Dati comportamentali qualitativi, come le osservazioni sul comportamento delle persone raccolte attraverso l’indagine contestuale e altri approcci etnografici

L’analisi tematica, che chiunque può fare, rende visibili aspetti importanti dei dati qualitativi e rende più facile scoprire i temi.

Cos’è un’analisi tematica?

Definizione: L’analisi tematica è un metodo sistematico per scomporre e organizzare i dati ricchi della ricerca qualitativa etichettando le singole osservazioni e citazioni con codici appropriati, per facilitare la scoperta di temi significativi.

Come implica il nome, un’analisi tematica comporta la ricerca di temi.

Definizione: Un tema:

• è una descrizione di una credenza, una pratica, un bisogno o un altro fenomeno che viene scoperto dai dati
• emerge quando risultati correlati appaiono più volte tra i partecipanti o le fonti di dati

Sfide nell’analisi dei dati qualitativi

Molti ricercatori si sentono sopraffatti dai dati qualitativi della ricerca esplorativa condotta nelle prime fasi di un progetto. La tabella qui sotto evidenzia alcune sfide comuni e i problemi che ne derivano.

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 volte i dati di diversi partecipanti o anche dello stesso partecipante contengono contraddizioni alle quali i ricercatori devono dare un senso.	I risultati non sono definitivi: L’analisi non è definitiva perché i feedback dei partecipanti sono contrastanti o, peggio, i punti di vista che non si adattano alle convinzioni del ricercatore vengono ignorati.
Non sono stati fissati obiettivi per l’analisi: Gli obiettivi della raccolta dati iniziale si perdono perché i ricercatori possono facilmente diventare troppo assorbiti dai dettagli.	Perdita di tempo e analisi mal indirizzata: L’analisi manca di concentrazione e la ricerca riporta la cosa sbagliata.

Senza una qualche forma di processo sistematico, i problemi descritti sorgono facilmente quando si analizzano dati qualitativi. L’analisi tematica mantiene i ricercatori organizzati e focalizzati e dà loro un processo generale da seguire quando analizzano i dati qualitativi.

Strumenti e metodi per condurre l’analisi tematica

Un’analisi tematica può essere fatta in molti modi diversi. Lo strumento o il metodo migliore per questo processo è determinato in base a:

• dati
• contesto e vincoli della fase di analisi dei dati
• lo stile personale di lavoro del ricercatore

3 metodi comuni includono:

• Utilizzare un software
• Giornalismo
• Utilizzare tecniche di diagrammi di affinità

Utilizzare un software

Per analizzare grandi quantità di dati qualitativi, i ricercatori qualitativi spesso usano un software, noto come CAQDAS (Computer-Aided Qualitative-Data-Analysis software) – pronunciato “cak∙das”. I ricercatori caricano le trascrizioni e le note sul campo in un programma software e poi analizzano il testo sistematicamente attraverso una codifica formale. Il software aiuta nella scoperta dei temi offrendo vari strumenti di visualizzazione, come alberi di parole o nuvole di parole, che permettono di manipolare i dati codificati in molti modi diversi.

Benefici

• L’analisi è molto approfondita.
• Un file fisico del progetto (che contiene i dati grezzi e l’analisi) può essere condiviso con altri. (Questo metodo è popolare nei progetti degli studenti delle istituzioni accademiche.)

Svantaggi

• Richiede molto tempo, in quanto risulta in molti codici che devono essere condensati in una piccola lista gestibile
• Sono molto costosi, lista gestibile
• Costoso
• Difficile da analizzare con altri in modo sincrono
• Richiede un certo apprendimento del software
• Può sembrare restrittivo

Journaling

Scrivere i processi di pensiero e le idee che si hanno su un testo è comune tra i ricercatori che praticano la metodologia grounded-theory. 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, e supporta un processo di analisi iterativo

Svantaggi

• Non è così approfondito come altri metodi perché spesso segmenti di testo non vengono codificati più volte
• Difficile da fare quando i dati sono molto vari, o ci sono molti dati

Codifica e codifica

Tutti i metodi di analisi tematica presuppongono una certa quantità di codifica (da non confondere con la scrittura di un programma in un linguaggio di programmazione).

Definizione: Un codice è una parola o una frase che funge da etichetta per un segmento di testo.

Un codice descrive ciò di cui tratta il testo ed è una stenografia per informazioni più complesse. (Una buona analogia è che un codice descrive i dati come una parola chiave descrive un articolo o come un hashtag descrive un tweet). Spesso, i ricercatori qualitativi non solo avranno un nome per ogni codice, ma avranno anche una descrizione di ciò che il codice significa ed esempi di testo che si adattano o meno al codice. Queste descrizioni ed esempi sono particolarmente utili se più di una persona è responsabile della codifica dei dati o se la codifica viene fatta per un lungo periodo di tempo: La codifica si riferisce al processo di etichettare segmenti di testo con i codici appropriati.

Una volta assegnati i codici, è facile identificare e confrontare segmenti di testo che riguardano la stessa cosa. I codici ci permettono di ordinare facilmente le informazioni e di analizzare i dati per scoprire somiglianze, differenze e relazioni tra i segmenti. Possiamo quindi arrivare alla comprensione dei temi essenziali.

Tipi di codice: Descrittivi e interpretativi

I codici possono essere:

• Descrittivi: Descrivono ciò che i dati riguardano
• Interpretazione: Sono una lettura analitica dei dati, aggiungendovi la lente interpretativa del ricercatore.

Per vedere esempi di codici descrittivi e interpretativi, guardiamo una citazione da un’intervista che ho fatto a un professionista UX all’inizio di quest’anno (come parte della nostra ricerca UX Careers, che sarà pubblicata nel nostro rapporto UX Careers).

“Ero pietrificato sul facilitare una riunione e la mia azienda ha offerto un corso di un giorno e mezzo. Così, sono andato lì e l’istruttore ha fatto qualcosa che mi sembrava orribile in quel momento, ma che da allora ho davvero apprezzato. La prima cosa che abbiamo fatto è stata compilare un foglio di carta con il nostro nome e scrivere la nostra peggiore paura di moderare o facilitare e l’abbiamo consegnato e poi lui ha detto, ok, domani reciterete questa situazione (…) il giorno dopo siamo tornati e io avrei lasciato la stanza mentre il resto della squadra leggeva, loro leggevano la mia peggiore paura, immaginavano come l’avrebbero recitata, e poi entravo e facilitavo per 10 minuti con quella. E questo mi ha davvero aiutato a capire che non c’è nulla di cui avere paura, che le nostre paure sono davvero nella nostra testa la maggior parte del tempo e affrontare questo mi ha fatto capire che posso gestire queste situazioni.”

Qui ci sono possibili codici descrittivi e interpretativi per il testo sopra:

Codice descrittivo: come vengono acquisite le competenze
Ragionamento dietro l’etichetta del codice: Ai partecipanti è stato chiesto di descrivere come sono arrivati a possedere certe abilità.

Codice interpretativo: auto-riflessione
Ragionamento dietro l’etichetta del codice: Il partecipante descrive come questa esperienza ha cambiato le sue convinzioni sulla facilitazione e come ha riflettuto sulla sua paura.

Passi per condurre un’analisi tematica

A prescindere dallo strumento utilizzato (software, diario o diagramma di affinità), l’atto di condurre un’analisi tematica può essere suddiviso in 6 passi.

Step 1: Raccogli tutti i tuoi dati

Inizia con i dati grezzi, come le trascrizioni delle interviste o dei focus group, le note sul campo o le voci dei diari. Ho raccomandato di trascrivere le registrazioni audio delle interviste e di usare le trascrizioni per l’analisi invece di fare affidamento su una memoria frammentaria.

Step 2: Leggi tutti i tuoi dati dall’inizio alla fine

Familiarizza con i dati prima di iniziare l’analisi, anche se sei stato tu a condurre la ricerca. Leggi tutte le trascrizioni, le note sul campo e altre fonti di dati prima di analizzarli. A questo punto, puoi coinvolgere la tua squadra nel progetto. Coinvolgere il vostro team infonde la conoscenza degli utenti e l’empatia per loro e i loro bisogni.

Fate un workshop (o una serie di workshop se il vostro team è molto grande o se avete molti dati). Segui questi passi:

1. Prima che i membri del tuo team si impegnino con i dati, scrivi le tue domande di ricerca su una lavagna o un pezzo di carta a fogli mobili, in modo da rendere le domande facili da consultare durante il lavoro.
2. Dai ad ogni membro una trascrizione o una voce di studio sul campo o diario. Dite alle persone di evidenziare tutto ciò che pensano sia importante.
3. Una volta che i membri del team hanno completato la lettura delle loro voci, possono passare la loro trascrizione o voce a qualcun altro e riceverne una nuova da un altro membro del team. Questo passo viene ripetuto fino a quando tutti i membri del team hanno letto tutti i dati.
4. Discutete in gruppo su ciò che avete notato o trovato sorprendente.

Anche se è meglio che il tuo team osservi tutte le sessioni di ricerca, ciò potrebbe non essere possibile se hai molte sessioni o un team numeroso. Quando i singoli membri del team osservano solo una manciata di sessioni, a volte se ne vanno con una comprensione incompleta dei risultati. Il workshop può risolvere questo problema, dato che tutti leggeranno tutte le trascrizioni delle sessioni.

Fase 3: Codificare il testo in base a ciò che riguarda

Nella fase di codifica, le sezioni evidenziate devono essere categorizzate in modo che le sezioni evidenziate possano essere facilmente comparate.

A questo punto, ricordati dei tuoi obiettivi di ricerca. Stampa le tue domande di ricerca. Attaccale su una parete o su una lavagna bianca nella stanza in cui stai conducendo l’analisi.

Se hai tempo a sufficienza, puoi coinvolgere il tuo team in questa fase iniziale di codifica. Se il tempo è limitato e ci sono molti dati da analizzare, allora fai questa fase da solo e invita il tuo team più tardi a rivedere i tuoi codici e ad aiutarti a definire i temi.

Mentre codifichi, esamina ogni segmento di testo e chiediti “Di cosa si tratta? Dai al frammento un nome che descriva i dati (un codice descrittivo). Puoi anche aggiungere codici interpretativi al testo in questa fase. Tuttavia, questi saranno in genere più facili da assegnare in seguito.

Il codice può essere creato prima o dopo aver raggruppato i dati. Le prossime due sezioni di questo passo descrivono come e quando puoi aggiungere i codici.

Metodo tradizionale: Creare i codici prima di raggruppare

Nell’approccio tradizionale, man mano che evidenzi segmenti di dati, come frasi, paragrafi, frasi, li codifichi. È utile tenere un registro di tutti i codici usati e delineare quali sono, in modo da poter fare riferimento a questa lista quando si codificano altre sezioni del testo (specialmente se più persone codificano il testo). Questo approccio evita di creare codici multipli (che in seguito dovranno essere consolidati) per lo stesso tipo di problema.

Una volta che tutto il testo è stato codificato, puoi raggruppare tutti i dati che hanno lo stesso codice.

Se stai usando CAQDAS per questo processo, allora il software registra automaticamente i codici che assegni durante la codifica, così puoi usarli di nuovo. Fornisce poi un modo per visualizzare tutto il testo codificato con lo stesso codice.

Metodo rapido: Raggruppare segmenti di testo, poi assegnare un codice

Piuttosto che arrivare con un codice quando si evidenzia il testo, si tagliano (fisicamente o digitalmente) e si raggruppano tutti i segmenti evidenziati simili (in modo simile a come diversi adesivi possono essere raggruppati in una mappa di affinità). Ai raggruppamenti viene poi dato un codice. Se stai facendo il clustering digitalmente, potresti tirare le sezioni codificate in un nuovo documento o in una piattaforma di collaborazione visiva.

Nelle immagini qui sotto, il raggruppamento è stato fatto manualmente. Le trascrizioni sono state tagliate, fissate agli adesivi e spostate sulla lavagna fino a quando non sono state raggruppate in gruppi tematici naturali. Il ricercatore ha poi assegnato un adesivo rosa con un codice descrittivo al raggruppamento.

Alla fine di questo passo, dovreste avere i dati raggruppati per argomenti e codici per ogni argomento.

Guardiamo un esempio. Ho intervistato 3 persone sulla loro esperienza di cucinare a casa. In queste interviste, i partecipanti hanno parlato di come hanno scelto di cucinare certe cose e non altre. Hanno parlato di sfide specifiche che hanno affrontato mentre cucinavano (ad es,

Dopo aver raggruppato i ritagli evidenziati dalle mie interviste per argomento, mi sono ritrovata con 3 grandi codici descrittivi e raggruppamenti corrispondenti:

• Esperienze di cucina: esperienze positive e negative memorabili legate alla cucina
• Punti dolenti: tutto ciò che impedisce a qualcuno di cucinare o rende difficile cucinare (tra cui la navigazione tra restrizioni alimentari, budget limitati, ecc.)
• Cose che aiutano: cosa aiuta (o si crede che possa aiutare) qualcuno a superare specifiche sfide o punti dolenti

Fase 4: Creare nuovi codici che incapsulano potenziali temi

Guarda tutti i codici ed esplora qualsiasi relazione causale, similitudine, differenza o contraddizione per vedere se puoi scoprire temi sottostanti. Facendo questo, alcuni dei codici saranno messi da parte (archiviati o cancellati) e saranno creati nuovi codici interpretativi. Se stai usando un approccio di mappatura fisica come quello discusso nella fase 3, allora alcuni di questi raggruppamenti iniziali possono collassare o espandersi mentre cerchi i temi.

Fatti le seguenti domande:

• Cosa sta succedendo in ogni gruppo?
• Come sono collegati questi codici?
• Come si collegano alle mie domande di ricerca?

Tornando al nostro argomento di cucina, analizzando il testo all’interno di ogni raggruppamento e cercando relazioni tra i dati, ho notato che due partecipanti hanno detto che gli piacevano gli ingredienti che possono essere preparati in modi diversi e che si sposano bene con altri ingredienti diversi. Un terzo partecipante ha parlato del desiderio di poter avere un set di ingredienti che possono essere usati per molti pasti diversi durante la settimana, piuttosto che dover comprare ingredienti separati per ogni piano alimentare. Così, è emerso un nuovo tema sulla flessibilità degli ingredienti. Per questo tema, ho trovato il codice “un ingrediente va bene per tutti”, per il quale ho poi scritto una descrizione dettagliata.

Step 5: Prendersi una pausa per un giorno, poi tornare ai dati

È quasi sempre una buona idea prendersi una pausa e tornare a guardare i dati con occhi nuovi. Fare questo a volte ti aiuta a vedere chiaramente i modelli significativi nei dati e a ricavare intuizioni rivoluzionarie.

Step 6: Valutare i tuoi temi per un buon adattamento

In questa fase, può essere utile avere altre persone coinvolte per aiutarti a rivedere i tuoi codici e i temi emergenti. Non solo si estraggono nuove intuizioni, ma le tue conclusioni possono essere sfidate e criticate da occhi e cervelli nuovi. Questa pratica riduce la possibilità che la tua interpretazione sia colorata da pregiudizi personali.

Metti i tuoi temi sotto esame. Fatevi queste domande:

• Il tema è ben supportato dai dati? O potresti trovare dati che non supportano il tuo tema?
• Il tema è saturo di molte istanze?
• Gli altri sono d’accordo con i temi che hai trovato nei dati dopo aver analizzato i dati separatamente?

Se la risposta a queste domande è no, potrebbe significare che hai bisogno di tornare al tavolo dell’analisi. Supponendo che abbiate raccolto dati validi, c’è quasi sempre qualcosa da imparare, quindi vale la pena passare più tempo con il vostro team a ripetere i passi 4-6.

Conclusione

Utilizzate l’analisi tematica come una guida utile per attraversare in modo efficiente molti dati qualitativi. Non c’è un solo modo per fare un’analisi tematica. Scegliete un metodo di analisi che si adatti al tipo e al volume di dati che avete raccolto. Quando possibile, invitate altre persone nel processo di analisi per aumentare sia l’accuratezza dell’analisi che la conoscenza del vostro team dei comportamenti, delle motivazioni e dei bisogni dei vostri utenti. L’analisi può essere un processo lungo, quindi una buona regola è quella di preventivare tanto tempo quanto ne avete avuto per la raccolta dei dati per completare l’analisi.

Per saperne di più: Interviste agli utenti, tecniche avanzate per scoprire valori, motivazioni e desideri, un corso di un giorno intero alla UX Conference.