Hoofdstuk 7: De analyse en rapportering van jouw empirisch onderzoek

Transcriptie

1 Hoofdstuk 7: De analyse en rapportering van jouw empirisch onderzoek Nadat je je empirisch of veldonderzoek voltooide, en je hebt de data ingevoerd, moet je die ook analyseren, verwerken en rapporteren. Rapporteren kan/moet minimaal een beschrijving van je bevindingen bevatten. Deze rapportering in je onderzoeksrapport is doorgaans sec, droog, zonder speculaties. Zo een onderzoeksrapport is niet noodzakelijk je output rapport of persmededeling. In een output rapport (boek, flyer, pers, summary) mag je al eens een eigen mening plaatsen tussen de bevindingen of persoonlijke zaken accentueren en contesteren tegen In hoofdstuk 7 leer je een onderzoeksrapport te maken, waarin alle resultaten sec beschreven staan. Wil je nog meer cachet geven aan je rapport en wil je wetenschappelijke verbanden vinden, met oorzaken en gevolgen, dan moet je ook enkele statistische bewerkingen uitvoeren, zoals t-testen ANOVA testen, correlaties of regressieanalyses, chi kwadraat analyses, trendanalyses etc. Dit noemt men vergelijkende analyses (in tegenstelling tot beschrijvende). Merk op, beschrijvende analyses moeten minimaal in een onderzoeksrapport. Vergelijkende of bivariate of multivariate analyses zijn optioneel (en iets meer wetenschappelijk, en academisch van aard, en dat is mogelijk niet wat de opdrachtgever verlangt van jullie bachelorproef). In dit hoofdstuk merk je a.d.h.v. voorbeelden hoe zo een onderzoeksrapport er uit kan zien. Bij de voorbeelden gaat het steeds om flarden van onderzoek, nooit om het ganse onderzoeksrapport. 7.1 Voorbewerking van de data: maak een databestand op De inhoud van dit cursusonderdeel werd overgenomen uit: Plooij, F. (2014). Onderzoek doen: een praktische inleiding in onderzoeksvaardigheden. Pearson Benelux: Pearson. Nadat het onderzoek is ontworpen en de onderzoeksgegevens zijn verzameld, kan je beginnen met de volgende fase van het onderzoek: het verwerken en analyseren van de data. Het komt er nu op neer om vanuit de onbewerkte onderzoeksgegevens of ruwe data die je verkreeg (vb. je ingevulde vragenlijsten, je observaties, enz.) informatie te verkrijgen die kan dienen voor het oplossen van je onderzoeksvragen. Je kan geen data beginnen analyseren zonder eerst je data voor te bewerken. In deze voorafgaande stap van voorbewerking is het van belang om de onderzoeksgegevens verder te ordenen, zodat je de onderzoeksvraag kunt beantwoorden. Pas nadien kan je, afhankelijk van de eigenschappen van de ruwe data, via verschillende methoden en technieken de data analyseren, vb. via statistische technieken zal je inzicht in je verzamelde gegevens toenemen. Methodologie en Redactie BAP Arteveldehogeschool P 114

2 7.1.1 Voorbewerking van gegevens uit kwantitatief onderzoek d.m.v. een datamatrix met codeboek De inhoud van dit cursusonderdeel werd overgenomen uit: Plooij, F. (2014). Onderzoek doen: een praktische inleiding in onderzoeksvaardigheden. Pearson Benelux: Pearson. In de praktijk heb je meestal te maken met (op papier) ingevulde vragenlijsten, observaties of misschien data uit databases. Deze gegevens zal je nu willen gebruiken als meetgegevens. Daarom moeten de gegevens eerst geordend worden. Hieronder maak je kennis met een manier waarop meetgegevens kunnen worden geordend. - Stap 1: Maak een codeboek op Bij kwantitatief onderzoek gaat het om numerieke gegevens. Om verwerking van deze gegevens met de computer mogelijk te maken, moet je de waarden van elke variabele voorzien van een code. Je moet ook elke vraag uit de vragenlijst een nummer geven. Zo ontstaat je codeboek. Voorbeeld (Plooij, 2014): Het eerste vragenitem uit je vragenlijst was: in welk land woont u? Er waren 4 antwoordmogelijkheden: Nederland, België, Frankrijk en overige. Je codeert deze vraag nl. variabele 1 = land waar men woont Je codeert ook de antwoordcategorieën: nl. Antwoord 1: NL Antwoord 2: BE Antwoord 3: FR Antwoord 4: overig Als je een respondent hebt die op vraag 1 antwoordt dat hij in België woont, dan kan het antwoord worden omschreven als vraag = 1, antwoord = 2 Voorbeeld (Plooij, 2014): Het tweede vragenitem uit je vragenlijst was: hoeveel kilometer ben je van plan te reizen? Dit was een open vraag waar men het aantal kilometer kon invoeren. Je codeert deze vraag nl. variabele 2 = aantal kilometer reis Je geeft duidelijk aan wat de meeteenheid is van het antwoord nl. km. Andere voorbeelden van meeteenheden zijn leeftijd uitgedrukt in jaren. Het maken van een codeboek vraagt dus nauwkeurigheid. Het moet goed duidelijk zijn welke variabelen met welke vragen corresponderen en welke codes staan voor welke antwoordcategorieën. - Stap 2: Voer de data in een datamatrix in Als het duidelijk is welke vragen corresponderen met welke variabelen en hoe de antwoordcategorieën gecodeerd zijn, kan je deze invoeren in een datamatrix. Methodologie en Redactie BAP Arteveldehogeschool P 115

3 De rijen geven de respondenten weer (per rij één respondent). De kolommen geven de verschillende vragen weer. In de velden noteer je de codes van de antwoordcategorie die deze respondent op die bepaalde vraag antwoordde. Voorbeeld van een datamatrix (Plooij, 2014): Je kan zo n datamatrix zelf opmaken in MS Excel. De matrixstructuur van het spreadsheetprogramma komt bij het doen van onderzoek goed van pas, zeker bij het maken van een datamatrix.! Bekijk de tutorial structuur van een datamatrix in Excel via volgende link (Auteur tutorial: Vicky Franssen). In deze tutorial wordt aan de hand van een concreet voorbeeld geïllustreerd hoe je zelf een datamatrix in Excel opbouwt en krijg je inzicht in de structuur ervan, zodat je in een latere fase analyses kunt uitvoeren. Je merkt ook dat het codeboek onderaan de datamatrix opgenomen wordt.!maak ook zo n datamatrix met codeboek voor jouw uitgevoerd empirisch onderzoek. Methodologie en Redactie BAP Arteveldehogeschool P 116

4 - Stap 3: Orden de data in je datamatrix Nu je een datamatrix hebt opgesteld, kan je verder gaan met het ordenen van je onderzoeksgegevens. Tot nu toe heb je eigenlijk niks meer gedaan dan netjes opgeschreven wat uit de observaties of vragenlijsten aan verzamelde gegevens naar boven is gekomen. In de praktijk zal echter blijken dat niet alle respondenten op alle vragen antwoord hebben gegeven. Als er geen antwoord bekend is, dan spreken we van een missing value. In de datamatrix codeer je een missing value ofwel met een blanco ofwel met een 999. Als sommige vragen voor respondenten niet van toepassing zijn, dan spreken we van een no-value. Een no-value wordt gecodeerd met een no. Soms zijn er meerdere vragen uit je vragenlijst of interview die eigenlijk dezelfde onderzoeksvragen willen beantwoorden. Soms zal je hierbij de gegevens uit je datamatrix moeten omschalen. Het is immers noodzakelijk dat alle variabelen in dezelfde richting ingeschaald zijn. o Voorbeeld (Plooij, 2014): In een vragenlijst worden 5 vragen gesteld over de aandacht van een docent voor een afstuderende student. De vragen 2 en 4 proberen antwoord te geven op de persoonlijke relatie die de docent met zijn studenten heeft. Deze vragenitems vragen min of meer hetzelfde. Het is duidelijk te zien dat de vragen 2 en 4 de tegenovergestelde richting op wijzen. Hier moet je de antwoorden hercoderen: bijna altijd wordt dan nooit enz. Wanneer je alle onderzoeksgegevens in een datamatrix hebt ingevoerd en geordend, heb je een databestand dat je kunt gebruiken voor verdere analyse. Zorg voor alle zekerheid voor een kopie van je databestand. - Stap 4: Denk na over het meetniveau van je verschillende variabelen Om gegevens te kunnen analyseren, moet je bij het opmaken van je datamatrix ook al nadenken van welk meetniveau de onderzoeksgegevens zijn. Afhankelijk van het meetniveau van de gegevens, kan je immers gebruikmaken van verschillende analysemethoden (zie verder in dit hoofdstuk). Methodologie en Redactie BAP Arteveldehogeschool P 117

5 Er zijn vier meetniveaus: nominaal, ordinaal, interval en ratio. In het onderstaande overzicht vind je de verschillende meetniveaus met hun kenmerken en een voorbeeld (Fischer & Julsing, 2014, p ). Meetniveau Kenmerken Voorbeeld Nominaal Er is geen Man-vrouw verschil van Ja-nee meer of minder. Godsdienst Ordinaal Er is een verschil Lager onderwijs van meer of minder. We secundair onderwijs hoger onderwijs kunnen de Nooit-zelden-soms- variabelen vaak-altijd rangschikken. Interval Er is een verschil Het verschil is Likertschalen Temperatuur in C van meer of uit te drukken worden minder. in een getal. beschouwd als op intervalniveau. Ratio Er is een verschil Het verschil is Het verschil is Lengte, leeftijd van meer of uit te drukken uit te drukken minder. in een getal. in een verhouding tot Er is een absoluut nulpunt. Methodologie en Redactie BAP Arteveldehogeschool P 118

6 In de volgende tutorial worden deze verschillende meetniveaus zeer duidelijk uitgelegd (eerste 6 minuten): (Auteur tutorial: Vicky Franssen). Methodologie en Redactie BAP Arteveldehogeschool P 119