Datamättnad är en term som används inom forskningen för att indikera att ingen ny information förväntas läggas till som förbättrar eller ändrar resultaten av en studie. Det är viktigt att uppnå datamättnad. Den uppnås när det finns tillräckligt med information för att upprepa studien, när förmågan att erhålla ytterligare ny information har uppnåtts och när ytterligare kodning (identifiering av teman) inte längre är möjlig.
Men begreppet datamättnad anses vara ett försummat begrepp. Detta beror på att det är ett begrepp som är svårt att definiera. Vad som är datamättnad för en är inte alls tillräckligt för en annan.
Det finns två sätt på vilka datamättnad spelar in i forskningen:
Datamättnad vid provtagning
När en forskare väljer ut respondenter för en studie (genomför ”provtagning”) kan han eller hon göra det med hjälp av ”teoretisk provtagning”. Detta innebär att de fortsätter att lägga till nya enheter till urvalet tills studien har nått en mättnadspunkt, det vill säga tills inga nya uppgifter produceras genom att nya enheter inkluderas och analyseras. Teoretiskt urval är ett tillvägagångssätt för att få tag på respondenter för forskning som är relaterat till ett tillvägagångssätt som kallas ”grundad teori” och som kännetecknas av att insamlingen av data styrs av den framväxande teorin. Forskaren måste ständigt leta efter nya enheter och uppgifter och motivera det teoretiska syfte för vilket varje ytterligare grupp inkluderas i studien. Denna typ av tillvägagångssätt för urval är ovanligt på grund av begränsningarna av en fast budget som bestämmer studiens utformning och dess urvalsparametrar.
Forskare kämpar ofta med att veta hur de ska uppskatta hur många intervjuer som kommer att krävas för att nå datamättnad och återigen dikteras ofta av projektbudgetar. När forskarna beslutar om studiens utformning bör de sträva efter en utformning som är tydlig när det gäller hur datamättnad uppnås. För att på bästa sätt uppnå datamättnad bör man vara noga med att ta ett urval av ett tvärsnitt av de berörda befolkningsgrupperna, så att det är troligt att alla åsikter kommer att höras.
Datamättnad i kvalitativa intervjuer
Djupintervjuer och fokusgrupper är två vanligt förekommande metoder inom kvalitativ forskning. Båda innebär att man söker efter djupa innebörder, till skillnad från en kvantitativ undersökning som tenderar att fokusera på slutna frågor, t.ex. ja/nej-frågor eller skattningsskalor. En fokusgrupp eller djupintervju är en utforskande form av forskning. Den är öppen och mindre formellt strukturerad än en undersökning. Intervjuaren måste undersöka det aktuella ämnet tillsammans med respondenten tills det inte finns något kvar att tillägga. Detta kan göras med hjälp av frågor i slutet av intervjun, t.ex. ”Något annat?” eller ”Behöver jag veta något annat än det jag har frågat dig?”. Detta görs för att säkerställa att mättnad har uppnåtts; att det inte finns något mer att tillägga till ämnet av intresse.
Om man inte uppnår datamättnad i kvalitativ forskning påverkar det forskningens kvalitet och äventyrar innehållets validitet. Det finns dock inget universellt tillvägagångssätt för att uppnå datamättnad. Det finns datainsamlingsmetoder som har större sannolikhet att nå datamättnad än andra, även om dessa metoder är starkt beroende av studiens utformning.
Tyvärr kan man egentligen bara känna till datamättnad i efterhand, när kvalitativa intervjuer har genomförts och data har analyserats. Marknadsundersökningar planeras, motiveras och kostnadsberäknas dock vanligtvis i förväg. För att uppnå datamättnad måste man alltså kombinera ett förnuftigt urval, en bra forskningsdesign, väl utformade forskningsverktyg och de kommersiella parametrarna för projektet.
I annat fall kan man lika gärna lämna resultaten ute i regnet.