Lecture
本页目录· 12 条
这一页有部分内容暂时无法显示，其余内容完整。
此处有一段内容暂不支持显示。
FIT5125 第6周讲座总结
主题：定性数据分析（Qualitative Data Analysis）
1. 本周讲座概览
- 本周正式进入定性数据分析主题，重点是如何从访谈、观察记录等文本数据中提取代码（Codes）与主题（Themes）。
- 讲座强调，收集到大量访谈数据（如录音转录稿）后，必须通过系统的方法进行分析，才能产生有意义的研究成果。
2. 核心讲解内容
2.1 定性分析的基本流程
- 定性数据（如访谈文本、社交媒体发言、政策文件等）通常是大量的文本信息。
- 分析目标是：
- 通过**编码（Coding）**标记文本中重要的信息单元。
- 进一步提炼为主题（Themes），以揭示更高层次的意义和模式。
- 分析的核心技能是：
- 理解文字表面语义（Semantic）；
- 提取背后隐藏的深层含义（Latent Meaning）。
2.2 编码（Coding）与主题（Themes）
- 编码（Coding）：
- 将文本分段，打上描述性标签（codes）。
- 初期可从文字表面内容着手（语义编码）。
- 主题（Themes）：
- 通过分析不同编码之间的联系，归纳出更宽广的概念。
- 主题反映了跨越多个受访者或文档的共同特征或重要问题。
2.3 分析策略：自下而上 vs 理论导向
- 自下而上（Bottom-up）分析：
- 不依赖预设理论，直接基于数据本身寻找意义。
- 适合探索性研究，较为常用。
- 理论导向（Theory-driven）分析：
- 以现有理论框架指导编码与分析。
- 适合验证假设或检验特定理论，如使用Hofstede文化维度理论分析跨文化数据。
3. 讲师补充与讨论要点
3.1 定性研究的主观性与反思性
- 定性分析本质上带有主观性（Subjectivity），研究者的背景、视角和价值观会影响解读。
- 需要通过团队合作（多人独立编码后比对）与透明展示分析过程，增强研究的严谨性（Rigour）与可信度（Credibility）。
3.2 量化与定性研究的对比
- 讲座指出：
- 数字数据也存在主观性（如数据采集、处理、统计分析过程中的人为选择）。
- 不能简单地将“数字=客观”，“文本=主观”对立来看待。
- 定性与量化方法各有优劣，应根据研究问题和数据特点灵活选择或结合使用。
4. 主题提炼的常见问题与改进建议
- 常见问题：
- 主题过于表面化（如“家长影响孩子”，属于常识性结论）。
- 主题之间高度重叠，没有清晰区分。
- 改进建议：
- 挖掘“数据中的黄金”，寻找真正新颖、有深度的洞见。
- 逐步提升分析层次，从表层描述过渡到深层解释。
5. 扩展应用与案例
- 定性分析不仅适用于访谈，还可以用于分析：
- 社交媒体对话（如Reddit、Twitter帖子）
- 政府文件、企业白皮书
- 聊天记录（如WhatsApp小组讨论）
- 方法包括主题分析（Thematic Analysis）与内容分析（Content Analysis）。
6. 讲座总结
- 定性分析是一项需要多轮实践与反思的技能。
- 本周Studio将通过实践演练（编码、归纳主题），帮助学生初步掌握定性数据分析的流程与方法。
- 未来课程还将介绍量化数据分析，进一步扩展研究方法体系。