Skip to content
بازگشت به نتایج جست‌وجو

کدگذاری محوری — توسعه رده‌های رابطه‌ای در پژوهش کیفی

معرفی‌شده توسط
Anselm Strauss and Juliet Corbin
سال
1990
نوع
Qualitative research method
خانواده
Qualitative Coding

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

کدگذاری محوری دومین گام تحلیلی اصلی در تحلیل نظریه داده‌بنیاد است که پس از کدگذاری باز انجام می‌شود. این روش که توسط آنسلم اشتراوس و ژولیت کوربین در سال ۱۹۹۰ معرفی شد، شامل بازبینی و سازماندهی مجدد سیستماتیک کدهای گسسته بسیاری است که در طول کدگذاری باز تولید شده‌اند. این کار با شناسایی یک رده مرکزی (محوری) و ترسیم شرایط علّی، عوامل زمینه‌ای، شرایط مداخله‌گر، راهبردهای کنش-تعامل، و پیامدهای پیرامون آن انجام می‌شود. هدف، حرکت از یک فهرست تکه‌تکه از کدها به یک ساختار رابطه‌ای منسجم است که نشان می‌دهد مفاهیم چگونه در داده‌ها به هم مرتبط می‌شوند.

شهود پشت روش

کدگذاری باز را به مثابه باز کردن یک ساعت به کوچکترین اجزای آن — فنرها، چرخ‌دنده‌ها، عقربه‌ها، پیچ‌ها — در نظر بگیرید. کدگذاری محوری گامی است که در آن شما می‌فهمید چگونه این اجزا به هم متصل می‌شوند: کدام اجزا کدام اجزای دیگر را به حرکت در می‌آورند، چه شرایطی باید برای کارکرد مکانیسم وجود داشته باشد، و چه اتفاقی می‌افتد وقتی کار می‌کند یا نمی‌کند. در اصطلاحات داده‌های کیفی، شما یک پدیده کلیدی (محور) را شناسایی می‌کنید و سپس می‌پرسید: چه چیزی باعث آن می‌شود، چه کسانی درگیر هستند، تحت چه شرایطی، مردم چگونه واکنش نشان می‌دهند، و با چه نتایجی؟ این کار مجموعه‌ای از برچسب‌های جدا شده را به یک تصویر توضیحی مرتبط تبدیل می‌کند.

تاریخ

کدگذاری محوری به طور رسمی توسط آنسلم اشتراوس و ژولیت کوربین در کتاب درسی برجسته آن‌ها در سال ۱۹۹۰ با عنوان «مبانی پژوهش کیفی» معرفی شد که روش‌شناسی نظریه داده‌بنیاد را که اشتراوس در ابتدا با بارنی گلاسر در دهه ۱۹۶۰ توسعه داده بود، سیستماتیک کرد. گلاسر، که رویکردی ظهورگرا و کمتر ساختاریافته را ترجیح می‌داد، بعدها پارادایم کدگذاری اشتراوس-کوربین را بیش از حد تجویزی مورد انتقاد قرار داد. نظریه داده‌بنیاد سازه‌گرای کتی چارماز (۲۰۰۶) انتقاد دیگری ارائه داد و از کدگذاری انعطاف‌پذیر و تکراری بدون ساختار پارادایم ثابت حمایت کرد. امروزه کدگذاری محوری در سنت اشتراوسی نظریه داده‌بنیاد مرکزی باقی مانده و به طور گسترده در دوره‌های روش‌های پژوهش در علوم بهداشتی، آموزش، و علوم اجتماعی تدریس می‌شود.

چه زمانی استفاده شود

کدگذاری محوری به عنوان بخشی از مطالعه نظریه داده‌بنیاد مناسب است، زمانی که پژوهشگر قبلاً حجم قابل توجهی از کدهای باز را تولید کرده و آماده است تا فراتر از توصیف به سمت تبیین حرکت کند. این روش برای سؤالات پژوهشی که می‌پرسند چگونه یا چرا یک فرآیند یا پدیده اجتماعی آشکار می‌شود — نه صرفاً چگونه به نظر می‌رسد — مناسب‌تر است. این روش به داده‌های کیفی غنی و دقیق (معمولاً ۲۰ یا بیشتر مصاحبه عمیق، همراه با یادداشت‌های میدانی یا اسناد) نیاز دارد و به عنوان یک تکنیک مستقل نامناسب است: از نظر تحلیلی به یک مرحله کدگذاری باز قبلی وابسته است. کدگذاری محوری زمانی توصیه نمی‌شود که هدف پژوهش صرفاً توصیفی باشد، زمانی که مجموعه داده کوچک است، یا زمانی که یک رویکرد سبک‌تر مانند تحلیل مضمونی کافی باشد.

محدودیت‌ها و ملاحظات

  • از نظر تحلیلی دشوار است — قبل از اینکه کدگذاری محوری بتواند به طور مؤثر به کار گرفته شود، به پژوهشگری نیاز دارد که قبلاً در کدگذاری باز، یادداشت‌نویسی، و حساسیت نظری مهارت داشته باشد.
  • پارادایم کدگذاری اشتراوس-کوربین (به ویژه توسط چارماز) به دلیل تحمیل یک ساختار مفهومی از پیش تعیین شده بر داده‌ها، به جای اجازه دادن به رده‌ها برای ظهور صرفاً از مواد، مورد انتقاد قرار گرفته است.
  • برای مجموعه‌های داده کوچک مناسب نیست؛ بدون تنوع داده‌ای کافی، نقشه رابطه‌ای کم‌جمعیت و حدسی خواهد بود.
  • خروجی یک مدل رابطه‌ای است، نه یک نظریه کامل — برای رسیدن به یک نظریه داده‌بنیاد کامل، کدگذاری انتخابی بیشتری لازم است.
  • زمان‌بر است: تولید یک نقشه کدگذاری محوری قابل دفاع معمولاً به چرخه‌های متعدد کدگذاری، یادداشت‌نویسی، و بازگشت به داده‌ها نیاز دارد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تحلیل کیفی را فراتر از توصیف ساده با آشکار کردن روابط علّی، زمینه‌ای، و پیامدی بین رده‌ها پیش می‌برد.
  • یک چارچوب تحلیلی سیستماتیک و شفاف (پارادایم کدگذاری) ارائه می‌دهد که استدلال پشت روابط رده‌ها را قابل بررسی می‌کند.
  • یک ساختار رابطه‌ای تولید می‌کند که می‌تواند در مرحله کدگذاری انتخابی بعدی به یک نظریه داده‌بنیاد رسمی تبدیل شود.
  • برای درک فرآیندهای اجتماعی پیچیده که در آن چندین شرط برای شکل‌دهی نتایج با هم تعامل دارند، بسیار مناسب است.
  • مقایسه مداوم بین رده‌های در حال ظهور و داده‌های خام را تشویق می‌کند و تحلیل را در تمام مراحل به صورت تجربی مبتنی بر داده نگه می‌دارد.

کاربردها

  • توسعه یک نظریه داده‌بنیاد در مورد اینکه چگونه پرستاران پریشانی اخلاقی را در بخش‌های مراقبت ویژه مدیریت می‌کنند — ترسیم شرایط علّی، راهبردهای مقابله، و پیامدها.
  • تحلیل اینکه چگونه کارآفرینان شکست کسب‌وکار را درک می‌کنند — شناسایی عوامل زمینه‌ای، شرایط مداخله‌گر، و نقش حمایت اجتماعی.
  • ساخت یک مدل رابطه‌ای از عدم مشارکت دانش‌آموزان در محیط‌های یادگیری آنلاین، پیوند دادن شرایط آموزشی به پاسخ‌های رفتاری.
  • بررسی اینکه چگونه اعضای جامعه با جابجایی محیطی سازگار می‌شوند — ردیابی شرایط، راهبردها، و پیامدهای بلندمدت در داده‌های مصاحبه.
  • مطالعه اینکه چگونه تیم‌های مراقبت بهداشتی مراقبت را در مرزهای حرفه‌ای هماهنگ می‌کنند — شناسایی شرایطی که تحت آن راهبردهای مشارکتی موفق می‌شوند یا از بین می‌روند.
  • بررسی تجربیات بیماران از عدم قطعیت تشخیصی، ترسیم زنجیره علّی از شروع علائم از طریق راهبردهای تفسیری تا رفتار جستجوی سلامت.

چگونه کار می‌کند

چگونه کار می‌کند

1

با بازبینی تمام کدهای باز و یادداشت‌های اولیه تولید شده در مرحله کدگذاری باز شروع کنید. به دنبال کدهایی باشید که به دفعات ظاهر می‌شوند، وزن مفهومی قوی دارند، یا به نظر می‌رسد نقاط محوری هستند که کدهای دیگر حول آن‌ها جمع می‌شوند. کدهای باز مرتبط را در رده‌های مفهومی گسترده‌تر گروه‌بندی کنید و به هر رده یک برچسب توصیفی بدهید که معنای تحلیلی آن را نشان دهد، نه اینکه صرفاً کلمه‌ای از داده‌ها را تکرار کند.

2

رده مرکزی را انتخاب کنید — مفهومی که بیشترین تکرار را دارد، بیشترین ارتباط را با سایر رده‌ها دارد، و بهترین توضیح را برای تغییرات در داده‌ها ارائه می‌دهد. این «محور» کدگذاری محوری است. زیررده‌های اضافی سپس حول این رده مرکزی سازماندهی می‌شوند که هر یک بعد یا ویژگی متمایزی از پدیده مورد مطالعه را نشان می‌دهد.

3

برای هر جفت رده-زیررده، ماهیت رابطه را بیان کنید: آیا زیررده یک شرط علّی است که پدیده مرکزی را ایجاد می‌کند، یک عامل زمینه‌ای است که نحوه آشکار شدن آن را شکل می‌دهد، یک شرط مداخله‌گر است که پاسخ را تعدیل می‌کند، یا پیامد پدیده است؟ نوشتن این روابط به شکل گزاره‌ای («هنگامی که X در زمینه Y رخ می‌دهد، کنشگران با راهبرد Z پاسخ می‌دهند که منجر به پیامد W می‌شود») نظریه در حال ظهور را قابل آزمایش و شفاف می‌سازد.

4

پارادایم کدگذاری پیشنهادی توسط اشتراوس و کوربین را به کار ببرید — یک چارچوب تحلیلی ساختاریافته که نقشه رابطه‌ای را در شش جایگاه سازماندهی می‌کند: شرایط علّی، خود پدیده، زمینه، شرایط مداخله‌گر، راهبردهای کنش-تعامل، و پیامدها. همه مجموعه‌های داده هر شش جایگاه را به یک اندازه پر نمی‌کنند، اما کار سیستماتیک بر روی هر یک تضمین می‌کند که هیچ بعد رابطه‌ای اصلی نادیده گرفته نشود.

5

به داده‌های خام — رونوشت‌ها، یادداشت‌های میدانی، یا اسناد — بازگردید تا تأیید کنید که روابط رده‌ای پیشنهادی مبتنی بر شواهد خاص هستند. موارد منفی (نمونه‌هایی که با نقشه رابطه‌ای در حال ظهور مطابقت ندارند) به ویژه مهم هستند: آن‌ها ممکن است مرزهای شرطی رده‌ها را آشکار کنند یا باعث اصلاح خود رده مرکزی شوند. یادداشت‌نویسی در این مرحله استدلال پشت هر رابطه را ثبت می‌کند.

دام‌های رایج

  • اعمال کدگذاری محوری قبل از اتمام کدگذاری باز — بسته شدن زودهنگام حول یک رده مرکزی در اوایل تحلیل، داده‌ها را به جایگاه‌های از پیش تعیین شده سوق می‌دهد و شواهد ردکننده را سرکوب می‌کند.
  • برخورد با پارادایم کدگذاری به عنوان یک چک‌لیست سخت‌گیرانه — همه مجموعه‌های داده هر شش عنصر پارادایم را به یک اندازه نشان نمی‌دهند؛ تحمیل داده‌ها به جایگاه‌هایی که توسط شواهد توجیه نمی‌شوند، اعتبار را تضعیف می‌کند.
  • نادیده گرفتن موارد منفی یا انحرافی — نمونه‌هایی که با نقشه رابطه‌ای در حال ظهور مطابقت ندارند، از نظر تحلیلی ارزشمند هستند؛ کنار گذاشتن آن‌ها به جای استفاده از آن‌ها برای اصلاح مرزهای رده، یک خطای رایج و پرهزینه است.
  • اشتباه گرفتن کدگذاری محوری با تحلیل مضمونی — کدگذاری محوری به طور خاص برای ساخت مدل‌های رابطه‌ای فرآیندهای اجتماعی طراحی شده است، نه صرفاً برای شناسایی مضامین تکراری؛ استفاده از این برچسب بدون منطق رابطه‌ای، روش را نادرست معرفی می‌کند.
  • از دست دادن ارتباط با داده‌های خام — با انتزاعی‌تر شدن تحلیل، پژوهشگران گاهی اوقات از بازگشت به رونوشت‌ها برای تأیید ادعاهای رابطه دست می‌کشند؛ هر رابطه پیشنهادی باید قابل ردیابی به بخش‌های خاصی از داده‌ها باشد.

پرسش‌های متداول

آیا کدگذاری محوری همان تحلیل مضمونی است؟

خیر. تحلیل مضمونی الگوهای تکرارشونده (مضامین) را در یک مجموعه داده شناسایی می‌کند و عمدتاً توصیفی است. در مقابل، کدگذاری محوری یک روش صراحتاً رابطه‌ای است: به دنبال توضیح چگونگی و چرایی وقوع یک پدیده مرکزی با ترسیم شرایط علّی، عوامل زمینه‌ای، شرایط مداخله‌گر، راهبردها، و پیامدها است. کدگذاری محوری به سنت نظریه داده‌بنیاد تعلق دارد و از نظر تحلیلی دشوارتر از تحلیل مضمونی است.

آیا می‌توانم از کدگذاری محوری بدون بقیه نظریه داده‌بنیاد استفاده کنم؟

کدگذاری محوری به عنوان مرحله دوم تحلیل نظریه داده‌بنیاد، پس از کدگذاری باز، طراحی شده است. این روش بر کدهای باز و یادداشت‌های تولید شده در مرحله اول متکی است. استفاده از اصطلاح «کدگذاری محوری» برای یک تحلیل رابطه‌ای مستقل از نظر فنی سوءاستفاده از این برچسب است. اگر می‌خواهید روابط بین رده‌های کیفی را خارج از چارچوب نظریه داده‌بنیاد ترسیم کنید، رویکردهایی مانند تحلیل چارچوب یا نقشه‌برداری سیستم‌ها ممکن است مناسب‌تر باشند.

تفاوت بین رویکردهای اشتراوس-کوربین و چارماز در کدگذاری چیست؟

اشتراوس و کوربین از یک پارادایم کدگذاری ساختاریافته با جایگاه‌های تعریف شده (شرایط علّی، پدیده، زمینه، شرایط مداخله‌گر، راهبردها، پیامدها) حمایت می‌کنند. نظریه داده‌بنیاد سازه‌گرای چارماز این پارادایم را بیش از حد تجویزی رد می‌کند و کدگذاری باز، تکراری را ترجیح می‌دهد که به رده‌های مفهومی اجازه می‌دهد آزادانه‌تر ظهور کنند. اشتراوس-کوربین برای پژوهشگرانی که به ساختار سیستماتیک اهمیت می‌دهند مناسب است؛ چارماز برای کسانی که انعطاف‌پذیری تفسیری را در اولویت قرار می‌دهند و نگران تحمیل رده‌ها بر داده‌ها هستند، مناسب است.

چگونه بفهمم کدگذاری محوری چه زمانی به پایان رسیده است؟

کدگذاری محوری زمانی به اندازه کافی کامل است که هر رده اصلی در داده‌ها به یک رده مرکزی مرتبط شده باشد، روابط بین رده‌ها توسط بخش‌های خاصی از داده‌ها پشتیبانی شوند، موارد منفی بررسی شده و یا تطبیق داده شده یا توضیح داده شده باشند، و نقشه رابطه‌ای در بازگشت‌های مکرر به داده‌ها پایدار باشد. گام بعدی کدگذاری انتخابی است که رده‌ها را حول یک رده اصلی در یک بیانیه نظریه داده‌بنیاد رسمی ادغام می‌کند.

چه نرم‌افزاری می‌تواند از کدگذاری محوری پشتیبانی کند؟

ATLAS.ti، NVivo، و MAXQDA همگی از گردش کار کدگذاری محوری پشتیبانی می‌کنند: آن‌ها به پژوهشگران اجازه می‌دهند خانواده‌های کد سلسله‌مراتبی ایجاد کنند، کدها را با رابط‌های رابطه پیوند دهند، و نقشه‌های رده را بصری‌سازی کنند. هیچ یک از این نرم‌افزارها کار تحلیلی را انجام نمی‌دهند — اختصاص نقش‌های رابطه‌ای به رده‌ها و تأیید آن‌ها در برابر بخش‌های داده، وظیفه فکری پژوهشگر است. نرم‌افزار بار اداری مدیریت مجموعه‌های بزرگ کد و یادداشت‌ها را کاهش می‌دهد.

روش‌های مرتبط

منابع

  1. Strauss, A., & Corbin, J. (1990). Basics of Qualitative Research: Grounded Theory Procedures and Techniques. Sage.

    شابک: 978-0803932456
    کپی شد.
  2. Charmaz, K. (2006). Constructing Grounded Theory: A Practical Guide Through Qualitative Analysis. Sage.

    باز کردن مرجع انتشار
    کپی شد.