Skip to content
بازگشت به نتایج جست‌وجو

تحلیل مضمون (Thematic Analysis)

معرفی‌شده توسط
Virginia Braun and Victoria Clarke
سال
2006
نوع
Method
خانواده
inductive-pattern-recognition

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

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل مضمون (Thematic Analysis - TA) یک روش تحقیق کیفی برای شناسایی، تحلیل و گزارش الگوها (مضامین) در داده‌های کیفی است. این روش که به طور سیستماتیک توسط ویرجینیا براون و ویکتوریا کلارک (۲۰۰۶) توسعه یافته است، انعطاف‌پذیر و در دسترس است و در چارچوب‌های نظری و انواع داده‌های متنوع کاربرد دارد، که آن را به یکی از پرکاربردترین روش‌های کیفی در روانشناسی، تحقیقات بهداشت و علوم اجتماعی تبدیل کرده است.

شهود پشت روش

تحلیل مضمون با شناسایی و سازماندهی داده‌ها به الگوها یا مضامین معنادار کار می‌کند—ایده‌ها، مفاهیم یا معانی تکراری که چیزی مهم را در مورد داده‌ها در رابطه با پرسش تحقیق در بر می‌گیرند. برخلاف نظریه داده‌بنیاد (Grounded Theory) که هدف آن تولید نظریه جدید است، یا پدیدارشناسی (phenomenology) که تجربه زیسته را کاوش می‌کند، تحلیل مضمون بیشتر توصیفی آشکار است: آنچه را که در داده‌ها وجود دارد شناسایی کرده و آن را به طور منسجم سازماندهی می‌کند. تمایز کلیدی در تحلیل مضمون مدرن بین کدگذاری مبتنی بر نظریه (استنباطی) - که در آن داده‌ها را در برابر دسته‌های از پیش تعیین شده کدگذاری می‌کنید - و کدگذاری مبتنی بر داده (استقرایی) است، که در آن مضامین از خود داده‌ها پدیدار می‌شوند. تحلیل مضمون بازتابی (Reflexive TA - Braun & Clarke ۲۰۱۹) به صراحت اذعان می‌کند که محققان به جای «یافتن» عینی مضامین، آن‌ها را فعالانه می‌سازند؛ این شفافیت آن را از نسخه‌های قبلی که تلویحاً بیان می‌کردند مضامین کشف می‌شوند، متمایز می‌کند.

تاریخ

براون و کلارک در سال ۲۰۰۶ تحلیل مضمون سیستماتیک را به عنوان جایگزینی شفاف‌تر و از نظر نظری انعطاف‌پذیرتر برای خلاصه‌سازی داده‌های کیفی غیرنظری معرفی کردند. رویه شش مرحله‌ای آن‌ها به طور گسترده در روانشناسی، پرستاری، بهداشت و علوم اجتماعی پذیرفته شد. بویاکیس (۱۹۹۸) و دیگران قبلاً رویکردهای مضمونی را توصیف کرده بودند، اما چارچوب سال ۲۰۰۶ وضوح بی‌سابقه‌ای را ارائه داد. در سال ۲۰۱۹، براون و کلارک «تأمل در تحلیل مضمون بازتابی» را منتشر کردند و تحلیل مضمون را اساساً بازتابی معرفی کردند: محققان به طور فعال مضامین را بر اساس انتخاب‌های تحلیلی و موقعیت نظری خود می‌سازند. این به‌روزرسانی روشن کرد که تحلیل مضمون کشف خنثی از نظر ارزشی نیست، بلکه علم اجتماعی تفسیری است.

چه زمانی استفاده شود

هنگامی که به دنبال شناسایی، توصیف و سازماندهی الگوهای معنایی در داده‌های کیفی هستید، بدون نیاز به تولید نظریه جدید (برای این کار از نظریه داده‌بنیاد استفاده کنید) یا کاوش در تجربه زیسته (از پدیدارشناسی استفاده کنید)، از تحلیل مضمون استفاده کنید. تحلیل مضمون برای پرسش‌ها تحقیقی که می‌پرسند «موانع ... چیست؟» یا «دیدگاه شرکت‌کنندگان در مورد ... چیست؟» ایده‌آل است. این روش با نمونه‌های شرکت‌کننده متنوع، انواع مصاحبه‌ها و حتی حالت‌های داده‌ای مختلف کار می‌کند. تحلیل مضمون برای تحقیقات کاربردی با هدف اطلاع‌رسانی به عمل، سیاست یا بهبود خدمات عالی است. این روش به اندازه کافی برای مطالعات توصیفی اکتشافی انعطاف‌پذیر و به اندازه کافی پیچیده برای تحقیقات آزمون نظریه یا تولید فرضیه بسته به رویکرد شما است.

محدودیت‌ها و ملاحظات

  • خطر سطحی‌نگری در صورت باقی ماندن تحلیل به صورت توصیفی بدون تفسیر عمیق‌تر؛ می‌تواند فهرستی طولانی از مضامین را بدون سنتز معنا یا سهم نظری تولید کند.
  • انعطاف‌پذیری هم نقطه قوت و هم ضعف است: عدم وجود رویه‌های سفت و سخت باعث عدم ثبات می‌شود؛ اجرای ضعیف نتایج ضعیف یا خودسرانه تولید می‌کند.
  • نظریه تولید نمی‌کند (برخلاف نظریه داده‌بنیاد) یا ساختارهای اساسی را کاوش نمی‌کند (برخلاف پدیدارشناسی)؛ نظریه‌های مشتق شده از تحلیل مضمون باید به طور جداگانه تأیید شوند.
  • تنوع اصطلاحات و رویه‌ها در ادبیات (تحلیل مضمون قدیمی‌تر در مقابل جدیدتر، رویکردهای بازتابی در مقابل غیربازتابی) ابهاماتی را در مورد اینکه کدام نسخه در حال انجام است ایجاد می‌کند.

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

نقاط قوت

  • انعطاف‌پذیر و در دسترس: قابل اجرا در چارچوب‌های نظری و پارادایم‌های تحقیقاتی متنوع، مناسب برای محققان مبتدی و باتجربه.
  • کارآمد برای مجموعه داده‌های بزرگ یا مصاحبه‌های متعدد برای هر شرکت‌کننده؛ می‌تواند داده‌های کیفی با حجم بالا را به طور سیستماتیک تجزیه و تحلیل کند.
  • رویه شش مرحله‌ای واضح، رویکردی ساختاریافته و شفاف را فراهم می‌کند که مسیر حسابرسی را برای نشان دادن دقت تولید می‌کند.
  • تحلیل مضمون بازتابی (۲۰۱۹) نقش محقق را در ساختار مضمون به صراحت اذعان می‌کند، ادعاهای نادرست کشف عینی را کاهش می‌دهد و شفافیت روش‌شناختی را ترویج می‌کند.

کاربردها

  • تجزیه و تحلیل دیدگاه‌های بیمار یا مراقب در مورد مدیریت بیماری، موانع درمانی، یا کیفیت خدمات برای اطلاع‌رسانی به دستورالعمل‌های بالینی و بهبود مراقبت بیمار-محور.
  • کاوش تجربیات کارکنان از تغییرات سازمانی، فرهنگ محل کار، یا رفاه برای هدایت سیاست منابع انسانی و آموزش رهبری.
  • شناسایی مضامین در پوشش رسانه‌ای یا گفتمان رسانه‌های اجتماعی برای درک ادراک عمومی و استراتژی‌های ارتباطی.
  • بررسی دیدگاه‌های والدین و دانش‌آموزان در مورد تجربیات مدرسه، یادگیری، یا قلدری برای توسعه مداخلات مبتنی بر شواهد.
  • تجزیه و تحلیل داده‌های مصاحبه از ارزیابی برنامه برای ارزیابی پایبندی به مداخله، موانع، و پذیرش برای اصلاح برنامه.

چگونه کار می‌کند

چگونه کار می‌کند

1

داده‌های کیفی را از طریق مصاحبه، گروه‌های کانونی، نظرسنجی‌های باز، اسناد یا رسانه‌ها (تصاویر، ویدئوها) جمع‌آوری کنید. نمونه‌گیری هدفمند با اندازه کافی برای پرداختن به پرسش تحقیق خود انجام دهید (قانون ثابتی وجود ندارد؛ معمولاً بسته به عمق و پیچیدگی ۵ تا ۵۰+ شرکت‌کننده). مصاحبه‌ها را کلمه به کلمه رونویسی کنید و به لحن و سکوت‌ها توجه کنید، اگر برای پرسش تحقیق شما معنادار باشند. برای تحلیل مضمون استنباطی، دسته‌ها را از قبل عملیاتی کنید؛ برای تحلیل مضمون استقرایی، با داده‌ها بدون کدهای از پیش تعیین شده به طور باز برخورد کنید. با خواندن و بازخوانی مکرر رونوشت‌ها برای آشنایی و شناسایی برداشت‌های اولیه، خود را در داده‌ها غرق کنید.

2

کدگذاری سیستماتیک را در شش مرحله انجام دهید (Braun & Clarke ۲۰۰۶): (۱) آشنایی - رونوشت‌ها را چندین بار بخوانید و الگوها و ویژگی‌های جالب را یادداشت کنید؛ (۲) کدگذاری اولیه - بخش‌های معنادار را خط به خط در کل مجموعه داده کدگذاری کنید، ثبات را حفظ کرده و فهرستی جامع از کدها تولید کنید؛ (۳) جستجوی مضامین - کدها را در مضامین بالقوه (دسته‌هایی با الگوهای منسجم) سازماندهی کنید و روابط بین کدها را شناسایی کنید؛ (۴) بازبینی مضامین - مضامین را در برابر داده‌های کدگذاری شده و کل مجموعه داده بررسی کنید؛ مضامینی را که پشتیبانی داده کافی ندارند حذف کنید، مضامین همپوشان را ادغام کنید یا مضامین نامنسجم را تقسیم کنید؛ (۵) تعریف و نام‌گذاری مضامین - نام‌ها و تعاریف مختصر و روشنی برای هر مضمون ایجاد کنید که جوهر و دامنه آن را در بر بگیرد؛ (۶) نگارش - تحلیل را پیش‌نویس کنید، مضامین را با نقل قول‌های پشتیبان از داده‌ها ادغام کنید. در طول فرآیند، از مقایسه مداوم استفاده کنید: کدهای جدید را با کدهای موجود مقایسه کنید تا از ثبات اطمینان حاصل کنید. تحلیل مضمون بازتابی بر مستندسازی تصمیمات تفسیری شما و اذعان به اینکه دیدگاه نظری شما چگونه ساختار مضمون را شکل داده است، تأکید می‌کند.

3

یافته‌ها را به عنوان یک نقشه مضمونی یا شرح روایی از مضامین و روابط آن‌ها ارائه دهید. هر مضمون باید به پرسش تحقیق شما پاسخ دهد و توسط چندین گزیده داده (نقل قول‌های مستقیم) پشتیبانی شود. تحلیلی از معنای هر مضمون در رابطه با پرسش تحقیق و چارچوب نظری خود ارائه دهید. از صرفاً خلاصه‌سازی یا فهرست کردن مضامین خودداری کنید؛ تفسیر ارائه دهید. یک تحلیل مضمون خوب الگوهایی را آشکار می‌کند که از خواندن داده‌های خام به تنهایی آشکار نمی‌شوند. به وضوح بین رویکردهای مبتنی بر داده (استقرایی) و مبتنی بر نظریه (استنباطی) در ارائه خود تمایز قائل شوید و اذعان کنید که مضامین از طریق انتخاب‌های تحلیلی ساخته می‌شوند، نه اینکه به طور عینی کشف شوند.

دام‌های رایج

  • انجام تحلیل غیرنظری: عدم بیان صریح چارچوب نظری و پرسش تحقیق؛ مضامین باید در خدمت پرسش تحقیق شما باشند، نه اینکه به تنهایی بایستند.
  • تکثیر مضمون: تولید تعداد زیاد مضمون با حداقل پشتیبانی داده، یا اشتباه گرفتن کدها با مضامین (یک مضمون به چندین کد و داده پشتیبان نیاز دارد).
  • توسعه ناکافی مضمون: نام‌گذاری مبهم مضامین، ارائه نقل قول‌های ناکافی، یا عدم تفسیر معنا؛ خوانندگان باید هم بفهمند هر مضمون چیست و هم چرا اهمیت دارد.
  • نادیده گرفتن تناقضات داده: نادیده گرفتن داده‌هایی که با مضامین نوظهور مطابقت ندارند یا عدم کاوش در تنوع؛ تحلیل مضمون خوب، ظرافت‌ها و تنوع درون مضمون را اذعان می‌کند.

پرسش‌های متداول

تحلیل مضمون بازتابی (Braun & Clarke ۲۰۱۹) چگونه با روش اصلی تحلیل مضمون تفاوت دارد؟

تحلیل مضمون اصلی (Braun & Clarke ۲۰۰۶) شش مرحله سیستماتیک را ارائه داد اما تلویحاً بیان کرد که مضامین از طریق کدگذاری دقیق می‌توانند در داده‌ها «یافته» یا «کشف» شوند. تحلیل مضمون بازتابی (۲۰۱۹) صریحاً بیان می‌کند که محققان به طور فعال مضامین را از طریق انتخاب‌های تفسیری می‌سازند: تصمیم‌گیری در مورد اینکه چه چیزی مرتبط است، کدام کدها را گروه‌بندی کنند، چگونه مضامین را نام‌گذاری کنند. تحلیل مضمون بازتابی اصطلاحات را از «کدگذاری» (که به برچسب‌گذاری منفعل اشاره دارد) به «کدگذاری/تفسیر» (که به معناسازی فعال اشاره دارد) تغییر می‌دهد. این روش مستلزم اذعان صریح به موقعیت محقق، چارچوب نظری، و چگونگی شکل‌دهی ذهنیت به تحلیل است. مراحل یکسان هستند، اما معرفت‌شناسی در مورد تفسیر شفاف‌تر و صادقانه‌تر است.

تفاوت بین تحلیل مضمون استقرایی و استنباطی چیست؟

تحلیل مضمون استقرایی به مضامین اجازه می‌دهد تا بدون دسته‌های از پیش تعیین شده از داده‌ها پدیدار شوند؛ شما داده‌ها را به طور باز می‌خوانید و کدها از الگوهای مشاهده شده توسعه می‌یابند. این اکتشافی و تولیدکننده نظریه است. تحلیل مضمون استنباطی یک چارچوب کدگذاری از پیش تعیین شده یا دسته‌های نظری را برای سازماندهی داده‌ها به کار می‌برد؛ این آزمون فرضیه یا آزمون نظریه است. بیشتر تحلیل‌های مضمون استقرایی یا عمدتاً استقرایی با برخی عناصر استنباطی هستند. در مورد اینکه کدام رویکرد را استفاده کرده‌اید صریح باشید؛ تحلیل استنباطی معتبر است اما اهداف تحقیقاتی متفاوتی را دنبال می‌کند (آزمون در مقابل کاوش).

چند کد یا مضمون باید داشته باشم؟

تعداد هدف مشخصی وجود ندارد. کدهای تحلیل مضمون بسته به حجم داده، پیچیدگی و تمرکز پرسش متفاوت است: معمولاً ۲۰ تا ۶۰ کد اولیه از ۱۵ تا ۲۰ مصاحبه، که در تحلیل نهایی به ۵ تا ۱۵ مضمون تقلیل می‌یابد. اگر بیش از ۵۰ مضمون دارید، احتمالاً نیاز به خوشه‌بندی مرتبه بالاتر یا تعاریف واضح‌تر دارید. مضامین باید متمایز اما مرتبط باشند؛ اگر همه مضامین شبیه یا نامرتبط به نظر می‌رسند، کدگذاری یا پرسش خود را دوباره بررسی کنید. کیفیت مهم‌تر از کمیت است؛ یک تحلیل چهار مضمونی که به خوبی توسعه یافته، بر تحلیل بیست مضمونی پراکنده که فاقد انسجام است، برتری دارد.

چگونه اطمینان حاصل کنم که مضامین بر اساس داده‌ها هستند، نه صرفاً تفسیر من؟

هر مضمون باید توسط چندین گزیده داده پشتیبانی شود (معمولاً ۴ تا ۶+ نقل قول برای هر تم، برای مضامین اصلی بیشتر). شواهد نقل قول را در نتایج خود ارائه دهید. از یک ماتریس کد یا جدول فراوانی استفاده کنید که نشان می‌دهد کدام شرکت‌کنندگان در هر مضمون مشارکت داشته‌اند - اگر مضمونی بر اساس داده‌های تنها یک شرکت‌کننده باشد، ممکن است بیش از حد منحصر به فرد باشد. مقایسه مداوم را انجام دهید و کدهای جدید را با کدهای موجود بررسی کنید. بحث همکاران: مضامین نوظهور را با یک همکار در میان بگذارید تا آزمایش کنید که آیا تفاسیر شما از داده‌ها منطقی هستند یا خیر. بررسی اعضا (در صورت امکان) با شرکت‌کنندگان می‌تواند تأیید کند که آیا مضامین با تجربه آن‌ها همخوانی دارند یا خیر. تصمیمات تحلیلی خود را مستند کنید (یادداشت‌ها، یادداشت‌های تحلیلی) تا زنجیره منطق از کدها به مضامین را نشان دهید.

آیا می‌توانم از تحلیل مضمون با مجموعه داده‌های بزرگ یا داده‌های ثانویه استفاده کنم؟

بله. تحلیل مضمون مقیاس‌پذیر است: می‌توانید آن را بر روی ۱۰ یا ۱۰۰ مصاحبه اعمال کنید. با مجموعه داده‌های بزرگ، رویه‌های کدگذاری سیستماتیک برای اطمینان از ثبات حتی مهم‌تر می‌شوند. داده‌های ثانویه (به عنوان مثال، رونوشت‌های مصاحبه از یک مطالعه قبلی، پاسخ‌های باز نظرسنجی، خودزندگی‌نامه‌های منتشر شده، رسانه‌های اجتماعی) در صورتی که داده‌ها در مورد موضوعی مرتبط با پرسش تحقیق شما جمع‌آوری شده باشند، برای تحلیل مضمون مناسب هستند. توجه داشته باشید که تحلیل مضمون ثانویه ممکن است در مقایسه با جمع‌آوری داده‌های اولیه، فاقد زمینه یا غنای رابطه‌ای باشد.

روش‌های مرتبط

منابع

  1. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.

    باز کردن مرجع DOI
    کپی شد.
  2. Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597.

    باز کردن مرجع DOI
    کپی شد.
  3. Boyatzis, R. E. (1998). Transforming qualitative information: Thematic analysis and code development. Sage Publications.

    باز کردن مرجع انتشار
    کپی شد.