Количественото управление и анализ на данни използва числа в своите методи, докато качественият подход включва текст. Според Норман К. Дензин и Ивона С. Линкълн, авторите на „Наръчник за качествени изследвания“, качествените методи подчертават и „социално изградената природа на реалността, интимната връзка между изследователя и това, което се изучава, и ситуационните ограничения, които запитване за форма. " Целта на качественото управление и анализ на данни е да подреди, структурира и осмисли събраните данни. При класическия анализ на съдържанието категориите на значението се приписват на текст, който представя убежденията и преживяванията на участниците - като въздействието на заетостта върху щастието, най-приятната работа или миналото професионално обучение. С разглеждането на все по-голям брой случаи се идентифицират повтарящи се теми, които са от съществено значение за валидиране или оспорване на хипотезите на изследователя.
Управление на данни
Качествените данни най-често се извличат от задълбочени интервюта или фокусни групи, които изследват въпроси, свързани с вашите изследователски хипотези (наблюденията и прегледите на документи са допълнителни техники за събиране на данни). Полуструктурирано ръководство или модул от въпроси предизвиква устни отговори от субектите, един по един или в малки групи. Средно обменът се извършва от един до два часа. След това записите се преписват от изследователя или от външна служба, без имена или идентифицираща информация. Преписаният текст също се почиства (качеството се проверява спрямо оригиналния звук). Окончателното съдържание се съхранява в текстообработващи файлове на защитени с парола компютри. Файловете могат да бъдат качени сигурно в различни програми за качествен анализ, като NVivo и Atlas.ti.
Структурно кодиране
Първата стъпка от качествения анализ е структурно - или отворено - кодиране. Кодовете и следващите набори се създават в отделен файл от данните. Структурните кодове са свързани с отговори на конкретни въпроси за интервю или общи аналитични теми на вашето изследване. Целта е основна организация на данните. Например всички отговори на въпроса: "Какви са характеристиките на добрия служител?" може структурно да се кодира като „добри характеристики на служителите“. След това кодовете се свързват с подходящи откъси от текст. Въпреки че тази фаза на кодиране е важна за цялостния анализ, тя е фокусирана върху осмислянето на данните, а не върху тестването на хипотези.
Селективно кодиране
В следващата фаза селективно кодиране, свързани с хипотези кодове се създават за независими променливи домейни, зависими променливи домейни и контролирани линии за анализ. Например изследователят излага хипотезата, че колкото по-възприемана доходна сила има даден индивид (независима променлива), толкова по-вероятно е тя да постави бъдещи цели в кариерата (зависима променлива). За разлика от тях е хипотезата, че колкото по-малко се възприема доходна сила на индивида, толкова по-малка е вероятността тя да си постави бъдещи цели в кариерата. Контролираните фактори включват - но не се ограничават до - възрастта: Тези, които са по-възрастни, независимо от възприеманата печалба, са по-склонни да си поставят цели. Следователно селективните кодове могат да включват „понастоящем заети“ или „степен на продаваемост“ (независима), „неща, които човек ще изтърпи за работа“ или „заинтересовани да търси повишение“ (зависими) и „текуща възраст“ (контролирани).
Аксиално кодиране
Аксиалното кодиране, третата фаза на качествения анализ, определя размерите на селективните кодове. Тези подкодове присвояват свойства въз основа на наблюдаваните модели на реакция. Аксиалните кодове могат да имат дихотомични стойности (например „да“ или „не“ за „работещи в момента“); редови стойности („висока“, „умерена“ или „ниска“ за „степен на продаваемост“); или номинални стойности („изпълнение на лични поръчки за шефа“ или „поемане на удар за екипа“ като „неща, които човек ще изтърпи за работа“). Не е необичайно сегментите от данни, които са кодирани аксиално да имат припокриващи се структурни и селективни кодове.
Тестване на хипотези
И накрая, функция за търсене се изпълнява във всички файлове с данни с напълно кодиран текст, за да се тестват хипотетичните връзки. Обхватът на търсене може да бъде широк (например „добри характеристики на служителите“) или специфичен („степен на продаваемост - ниска“). Появява се подмножество от файлове с данни, които могат да бъдат изследвани, за да се определят общите асоциации между независими, зависими и контролирани променливи домейни и да се изследват нюансите, за да се улесни ясното тълкуване на резултатите. Например, може да изглежда очевидна корелация между субектите, които оценяват себе си като с ниска степен на продаваемост и тези, които са по-малко склонни да продължават повишения. Когато се разгледат техните идеи за това какво прави добрия служител, може да се разкрие, че те вярват, че е изключително важно да бъдете екипен играч - може би (по-добре или също) обяснява защо е по-малко вероятно да търсят повишения.
