Kvalitatiivse analüüsi tarkvara

Kvalitatiivsed tekstilised (aga ka muul kujul) andmed on tarkvara abil hästi analüüsitavad, kui need vastavad järgnevatele tingimustele: (1) mõistete süsteem materjalis peab olema hästi defineeritav, (2) suhteliselt jämedad teemad peavad esinema korduvalt ning (3) teemat peab olema võimalik uurida märksõnade, ühesõnaliste vms lihtsate otsingustrateegiate abil.

Enamasti on kvalitatiivne materjal nimetatust aga oluliselt mitmekesisem, mistõttu analüüsi tarkvara abil kombineeritakse n-ö käsitsi analüüsi tehnikatega (vt kvalitatiivne sisuanalüüs). Nii näiteks võib tarkvara olla abiks vaid teatud analüüsietappidel (nt pärast n-ö käsitsi avatud kodeerimise rakendamist – (vt põhistatud teooria – ning esialgse koodipuu ehk koodide süstematiseeritud nimestiku loomist kasutatakse tarkvara ülejäänud suure hulga teksti kodeerimisel) või teatud analüüsitehnikate rakendamisel (nt otsingute tegemine tekstis, formaliseeritud küsitluse abil kogutud nn lahtistele küsimustele antud vastuste analüüs. Näiteks loodi uuringus, mis keskendus vene noorte etnokultuurilise identiteedi kujunemisele õppekeele kontekstis, esialgne koodipuu n-ö käsitsi. See tähendab, et autorid kohtusid näost näkku ning töötasid avatud kodeerimise teel läbi paar valimisse kuuluvat teksti, kasutades paberit ja pliiatsit. Avatud kodeerimise käigus tuletasid uurijad peamised teksti iseloomustavad märksõnad, mille nad pärast esialgset kirjapanemist rühmitasid loogilisse süsteemi. Hilisem kodeerimine (aga ka esialgse koodipuu täiendamine) toimus tarkvara abil (vt Soll, Salvet ja Masso, 2014, vt ka koodipuu). Sõltuvalt uurimiseesmärkidest ning kogutud andmete iseloomust võib kvalitatiivne analüüs tarkvara abil kasutada erinevaid kvalitatiivse analüüsi tehnikaid – teksti temaatilist kodeerimist (vt nt Tustanovskaja, 2014), põhistatud teooria elemente kasutades analüüsida kontseptuaalseid seoseid leitud koodide vahel (vt nt Salvet, 2014, Masso, 2008).

Teksti latentsetele ehk varjatud tähendustele keskenduvate metodoloogiliste lähenemiste korral on tarkvara kasutatud harvem. Näiteks diskursusanalüüsis (vt teksti- ja diskursusanalüüsi meetodid) võib teksti struktuur tervikuna või üksik sõna tekstis olla olulise tähendusega; näiteks võivad analüüsitavad sõnad või fraasid olla tähenduslikud vaid konkreetse teksti kontekstis (nt sõnade irooniline alatoon ilmneb vaid kontekstis). Seetõttu ei pruugi alati olla mõistlik kasutada temaatilist kodeerimist (vt kvalitatiivne sisuanalüüs, tarkvarapõhise analüüsi keskset protseduuri, mis keskendub ainult manifestsele ehk otsesõnu väljaöeldud sisule. Ka rahvusvahelistes võrdlusuuringutes on kontekstuaalne info oluline – andmete tõlgendamisel tuleb arvestada mitmesuguste strukturaalsete ning institutsionaalsete taustaandmetega. Sellistel juhtudel võib olla otstarbekam teksti analüüsida ilma spetsiaalse kvalitatiivse analüüsi programmita ehk ainult tekstitöötlusprogrammis, paberil (nt tekstis märkmeid tehes, eri tekstiosasid värviliselt märgistades vms), samuti kasutatakse teksti organiseerimisel tabelarvutusprogramme. Diskursusanalüüsi korral võib tarkvara kasutamise näitena tuua Kristina Muhhina (2012) doktoritöö, milles autor analüüsis kriitilise diskursusanalüüsi abil, millist sõnavara kasutatakse avalikkuses postkommunistlikust transitsioonist rääkimisel; Muhhina kasutas tarkvara eelkõige analüüsi algusfaasis, mille käigus leiti esialgsed temaatilised koodid.

Kuigi mitmed programmid sisaldavad ka võimalusi audiovisuaalse materjali analüüsiks, pakuvad tarkvarad siiski kõige mitmekesisemaid võimalusi tekstiliste andmete analüüsimiseks. Seetõttu keskendub järgnev ülevaade näidetele, kus on kasutatud tekstilisi andmeid. Tänu paindlikkusele on tarkvarad rakendatavad (vähemalt osaliselt ehk teatud analüüsietapis kombineerituna nt n-ö käsitsi analüüsi tehnikatega) erinevate metodoloogiliste lähenemiste korral. Samuti pakuvad kvalitatiivse analüüsi tarkvarad mitmeid võimalusi analüüsi kombineerimiseks teiste analüüsitarkvaradega (nt MAXQDA-l on head võimalused andmete konverteerimiseks SPSS-i, mis võib vajalik olla nt kvalitatiivsete meetodite kombineerimisel kvantitatiivsetega. Sellise kombineerimise näiteks on Masso, Kello ja Jakobsoni artikkel (2013), kus Q-metodoloogilist lähenemist kasutades analüüsiti venekeelsete noorte seisukohti eestikeelsele gümnaasiumiõppele ülemineku suhtes nii kvantitatiivselt (formaliseeritud vastuste faktoranalüüs tarkvara PQMethod abil) kui ka kvalitatiivselt (vabas vormis antud vastuste analüüs temaatiliste koodide abil, kasutades MAXQDA tarkvara).

Kvalitatiivse analüüsi tarkvara abil kasutatavad analüüsitehnikad võib jämedalt jagada järgmiselt: (1) andmete (nt teksti- või pildifailide) haldamine ja korrastamine, (2) teksti lugemine ja märkmete tegemine, (3) kategooriate loomine ja kodeerimine, (4) tekstiosade võrdlemine ja seostamine ja (5) teooria loomine. Seega võimaldab tarkvara andmeid analüüsida, kasutades enamikku tavapäraseid analüüsitehnikaid, mida kasutatakse ka nn käsitsi andmete analüüsimisel (vt nt Dey, 1998). Tänu analüüsiprotsessi läbipaistvusele võimaldab tarkvara muuta usaldusväärsemaks teooria loomisele keskenduvad analüüsid; selliselt võib tarkvara luua head võimalused uudsete metodoloogiliste elementide kasutamiseks uurimistöös. Järgnevalt keskendume lühidalt tarkvarapõhises kvalitatiivses analüüsis kasutatavatele peamistele analüüsitehnikatele.

Kvalitatiivse analüüsi tarkvarad võimaldavad andmeid hallata ja korrastada ehk hoida koos uuritava teemaga seotud suurt hulka andmeid ning eri tüüpi andmeid organiseerida (nt tekst, pildilised materjalid, märkmed vms jaotatuna eraldi alakataloogidesse). Samuti on vajadusel võimalik olemasolevaid andmeid korrastada (nt intervjuu transkriptsiooni täiendada, parandada). Teksti lugemine ja märkmete tegemine toimub tarkvara abil sarnaselt nn traditsiooniliste käsitsi analüüsitehnikatega. Sarnaselt tekstitöötlusprogrammidele pakuvad kvalitatiivse analüüsi tarkvarad mitmekesiseid tehnilisi võimalusi teksti korrastamiseks (nt tekstiosade eristamine värvidega). Kvalitatiivse analüüsi tarkvara võimaldab märkida üles analüüsi käigus tekkivad mõtted, tehes selliselt võimalikuks analüüsi käigus tekkinud ideid hiljem kronoloogiliselt jälgida ning sõnastatud hüpoteese/uurimisküsimusi kontrollida. Viimane võib olla vajalik eelkõige teatud metodoloogiliste lähenemiste nagu nt põhistatud teooria korral. Lisaks teksti märgistamisele ning märkmete tegemisele võimaldab tarkvara kiiresti liikuda erinevate andmetüüpide (nt pildid, tekstid), tekstiosade, märkmete vahel.

Kategooriate loomine ja kodeerimine on tarkvarapõhise kvalitatiivse analüüsi üheks keskseks tehnikaks. Teksti aktiivse lugemise käigus eristatakse teemad ehk kategooriad/koodid, mis kirjeldavad teatud osa tekstist (vt kvalitatiivne sisuanalüüs). Tarkvara võimaldab suurt hulka koode hallata, organiseerida ja korrastada (nt võib suurema hulga temaatilisi koode rühmitada väiksema arvu kontseptuaalsete koodide alla). Kvalitatiivsele analüüsile omaselt on loodud koodide süsteem paindlik ehk muudetav igal analüüsi etapil. Paindlikkus säilib ka tekstiosadele koodide määramisel ehk kodeerimisel, kus on võimalik omistada lõigule nii juba varasemalt sõnastatud koode, kui ka luua uusi, sõltuvalt tekstis esilekerkinud sisust. Lisaks avatud kodeerimise tehnikatele kasutatakse tarkvarapõhises kvalitatiivses analüüsis mitmekesiseid teksti otsimise tehnikaid. Tarkvara pakub mitmekesiseid tehnilisi võimalusi teksti otsimiseks (nt erinevate kahendtingimuste seadmise kaudu nagu “ja”, “kas/või”, “välja arvatud”). Uuritava nähtuse seisukohalt oluliste märksõnade/fraaside otsimine võib uurijat aidata kategooriate sõnastamisel, aga ka analüüsi käigus tekkinud ideede/hüpoteeside kontrollimisel.

Tekstiosade võrdlemine ja seostamine toimub enamasti pärast koodide loomist (siiski pole tegemist lineaarse protsessiga, kuna alati on võimalik tagasi liikuda algsesse faasi ehk andmete pealt püstitatakse uued uurimisküsimused, luuakse uued koodid jms). Pärast tekstide kodeerimist võimaldab tarkvara teha koodidest tekstiväljavõtteid, mille tulemusel kogutakse kõigist kodeeritud tekstidest need tekstiosad, mis olid antud märksõna alla kodeeritud. Tekstiväljavõtete abil võrreldakse eri kategooriate alla koondatud tekstiosasid ehk uuritakse tähenduslikke erinevusi/sarnasusi nii loodud kategooriate sees kui ka kategooriate vahel. Tarkvara eeliseks on siin võimalus võrrelda suurt hulka tekste ning koode kompleksse kategooriate süsteemi raames.

Lisaks teksti võrdlemise tehnikatele on tarkvarapõhise analüüsi eeliseks erinevad tekstiosade seostamise ning seoste analüüsi protseduurid. Tarkvarad võimaldavad luua seoseid erinevate analüüsiühikute vahel (nt teksti ja selle osade, koodide, memode jms vahel). Analüüsides kategooriaid, mis sisaldavad nähtuse seisukohalt olulisi elemente, ning kirjeldades kategooriate vastastikuseid seoseid, on võimalik saada aimu uuritavate nähtuste toimimise dünaamikast. Leitavad seosed andmeosade vahel ei põhine mitte pelgalt formaalsetel erinevustel/sarnasustel, vaid on sisuliselt tähenduslikud (st mil viisil teatud nähtused on omavahel interaktsioonis). Näiteks analüüsisid Maie Soll, Sander Salvet ja Anu Masso (2014) vene õppekeelega noorte etnokultuurilise identiteedi strateegiate seotust kogetud õppekeeltega. Seostamise protseduur võib analüüsis toimuda erinevatel viisidel. Üks võimalus on tarkvara abil n-ö elektrooniliste hüperlinkide loomine andmeühikute vahel, võimaldades seeläbi kiiresti andmeosade vahel liikumist. Samuti võib seostamine toimuda kontseptuaalsete koodide vahel, kuid sellisel juhul eri pruugi elektroonilist linki koodide vahel säilida.

Seoseid väljendatakse analüüsis tüpoloogiliste maatriksite või jooniste/kaartide vormis (vt ka juhtumipõhine ehk vertikaalanalüüs, tüpoloogiate loomine, seosemustrite väljaselgitamine alapeatükis kvalitatiivne sisuanalüüs). Nähtuste dünaamilised protsessid või kontseptuaalsed seosed kirjeldatakse tekstis detailselt ning illustreeritakse joonistega (nt sündmuste jada korral) või maatriksitega (kontseptuaalsete koodide alusel loodud tüpoloogia) (vt nt Dey, 2003). Tarkvara võimaldab seoste võrgustikke graafiliselt kujutada ja selliselt näidata ideede kujunemise protsessi. Enamasti kujutatakse seoseid nn mõttekaartide vormis – analüüsis esilekerkinud olulisemate kontseptuaalsete kategooriate ja nendevaheliste seoste esitlus, mille abil võetakse kokku analüüsi olulisemad aspektid. Selliselt võimaldavad joonised analüüsi tulemusi esitada arusaadaval viisil eelkõige komplekssete ja mahukate andmete korral. Samuti sunnib jooniste ja maatriksite konstrueerimine uurijat selgemini läbi mõtlema analüüsi olulisemad järeldused ja seosed andmetes, kuid seda kasutatakse ka kategooriate võrdlemisel ning kontseptuaalsete lünkade leidmisel. Näiteks võib tuua kvalitatiivse analüüsi tarkvara Atlas.ti abil tehtud analüüsi, kus leitud kontseptuaalseid seoseid võõrkeelte õppimise motivatsioonide, kultuuriliste kontaktide ning võõrkeeltele omistatud tähenduste vahel illustreeriti visuaalselt (Masso ja Tender, 2008).

Üheks oluliseks kvalitatiivse analüüsi tarkvara eeliseks on peetud teooria loomise toetamist (Kelle, 1995). Sellest tulenevalt sisaldavad ka mitmed kvalitatiivse analüüsi tarkvarad tehnilisi võimalusi, mis teooria loomist toetavad (nt ideede visualiseerimise tehnikad). Tarkvara eelised teooria loomisel tulenevad eelkõige tehnilistest võimalustest, mis võimaldavad muuta järeldusteni jõudmise läbipaistvamaks, kontrollitavaks ning paindlikumaks. Samas ilmneb siin ka üks peamisi tarkvarapõhise analüüsi ohte – liigne keskendumine kodeerimisele võib takistada teooria loomise protsessi erinevatel põhjustel (nt koodide loomine vastavalt deduktiivsetele põhimõtetele, oht kvantifitseerida kategooriaid ja nendevahelisi seoseid).

Eri tarkvarad on enamasti väljatöötatud põhistatud teooria (NVivo, Atlas.ti), etnograafia (ETHNOGRAPH) või kvalitatiivse kontentanalüüsi põhimõtetest lähtuvalt. Vähemal määral on tuginetud kvalitatiivse tarkvara loomisel ka Weberi ideaaltüübi põhimõtetele (MAXQDA, Kwalitan) või kvalitatiivse ja kvantitatiivse analüüsi integreerimise ideedele (QDA Miner). Tarkvara valides tasub seega eeskätt tugineda konkreetsele metodoloogiale, mis omakorda sõltub uuringu teoreetilisest raamistikust. Lihtsusest või mugavusest, või ka asutuse survest tulenevaid tarkvara valiku põhimõtteid võiks seetõttu vältida.

Ajalooliselt on uurimistöö tegemisel kasutatud kas pigem teksti haldamise või teooria loomisele orienteeritud programme. Neist esimesed võimaldavad tekstides otsingut sooritada, organiseerida suurt hulka tekstifaile, loendada sõnade esinemissagedust (ja sobivad ka kvantitatiivse kontentanalüüsi tegemiseks). Teist tüüpi programmid toetavad aga teooria loomisel andmete korrastamist teatud teemade ehk koodide alla. Sellised programmid toetavad lisaks kodeerimisele ka tekstisiseseid otsinguid, memode kirjutamist jm funktsioone.

Tänapäevased tarkvarad sisaldavad aga tihti elemente mõlemast tarkvaratüübist (tarkvara liigitusest vt nt Lewins ja Silver, 2007). Ühe programmi pakutavad funktsioonid ei pruugi olla sobivad kõigi kvalitatiivsete lähenemiste korral. Samuti võib konkreetsete andmete analüüsimisel kasutada vaid teatud osa pakutavatest funktsioonidest, pidades silmas konkreetse analüüsi eesmärke. Järelikult tuleks algajal kvalitatiivse analüüsi tarkvara kasutajal meeles pidada, et analüüsi läbiviija ise määrab analüüsi kulgemise, mitte ei tee seda tema eest tarkvara.

Lisaks spetsiaalsetele tarkvaradele võib kvalitatiivse analüüsi läbiviimisel tekkida vajadus kasutada ka muid rakendusi. Näiteks sotsiaalmeediast, konkreetselt Facebookist kogutava materjali puhul puutuvad uurijad tihti kokku olukorraga, kus kvalitatiivse analüüsi tarkvara ei jõua n-ö järele sotsiaalmeediast saadud andmestiku struktuurile. Sel juhul on osa uurijaid pidanud analüüsi läbiviimiseks vajaliku tarkvara programmeerima ise, osadel on aga tulnud kasutada rakendusi, mis aitavad sotsiaalmeedias loodud materjali n-ö tõlkida analüüsiks sobivamasse keelde. Üheks taoliseks rakenduseks on Digital Footprints, mis laseb näiteks analüüsitava asutuse Facebooki seinalt uudisvoo terviklikult välja võtta (vt joonis 1) ning vajadusel näiteks Exceli tabelitesse tõsta (vt joonis 2 – kõige alumisel real Exceli tabelis on näha, kuidas on kuvatud Digital Footprintsi keskkonnas olev esimene postitus). Sealt edasi on uurijal endal võimalik valida, millist laadi analüüsi ta oma andmete põhjal läbi viib.

Joonis 1. Üldvaade andmestikust keskkonnas Digital Footprints

Joonis 2. Vaade Digital Footprints keskkonnast Excelisse kopeeritud andmetele

Kvalitatiivse andmeanalüüsi tarkvarasid on väga palju, uusi tarkvaratootjaid siseneb turule, osa varasematest aga kaob. Väike loetelu erinevatest tarkvaradest olgu aga sellegipoolest esitatud: AQUAD, AnSWR, askSam, Folio VIEWS, HyperQual, HyperRESEARCH, Hypersoft, Inspiration, Sonar, Kwalitan, Martin, MAX, MECA, QCA, Qualpro, Qualrus, TAMS, Text Analysis Package, Textbase Alpha, The Text Collector, Transana, Weft QDA, WordCruncher jne. Osa nendest programmidest on tänaseks juba aegunud, osa puhul on tegu spetsiifilisemate tarkvaradega, mida võiks proovida spetsiifiliste andmeanalüüsi vajaduste korral. Osa nimetatud tarkvaradest on aga ka vabavaralised, pakkudes võimalusi ka väikeste rahaliste ressurssidega varustatud uurijatele.

Alljärgnevalt on esitatud ülevaade nendest kvalitatiivse analüüsi tarkvaradest, mis on tänaseni ajaproovile vastu pannud. Tabelis 1 sisalduvad andmed tarkvara nimetuse ja tootja veebilehe; tarkvaraga analüüsitavate andmetüüpide; koodide ja memode lisamise; koodide korrastamise; kvantitatiivse ja kvalitatiivse lähenemise kasutamise võimaluste kohta samas töös (mixed methods); teooria või hüpoteeside testimise; rühmatöö võimaluse ja kodeerijate tegevuse võrdluse võimaluste; tarkvara veebipõhise kasutamise ning demoversiooni kättesaadavuse kohta. Peaaegu kõik siin tutvustatud programmid on mahupiiranguteta täisfunktsionaalseks kasutamiseks tasulised (kui tabelis ei ole mainitud teisiti).

Siin tabelis mainituist endale töövahendit valides ei tohi unustada, et igal neist kvalitatiivse analüüsi tarkvaradest on omad tugevamad ja nõrgemad küljed. Kui Ethnograph lähtub etnograafia põhimõtetest, siis NVivo ja Atlas.ti hoopis põhistatud teooriast. Osa tarkvarade puhul on näha, et lisaks kvalitatiivse analüüsi põhimõtetele toetavad need ka kvantitatiivsetele meetoditele omaseid võtteid. Mõni tarkvaradest näeb välja moekam, kuid trendikusele võib teinekord lisanduda ka tarkvara kasutamise suhteline keerukus, seetõttu võib kahtluste korral proovida ka lihtsakoelisemaid tarkvarasid (nt QDA Miner Lite), et põhiline tähelepanu ei kuluks töö käigus uue programmi kasutama õppimisele. Mõni tarkvara toetab aga rühmatööd: kui analüüsi on läbi vaja viia grupiviisiliselt, siis võib sellest võimalusest olla eriti palju abi, et kontrollida, kuivõrd usaldusväärsed on erinevate analüüsijate poolt saadud tulemused.

Töö käigus võib juhtuda, et tuleb proovida mitut kvalitatiivse analüüsi tarkvara – et kvalitatiivne analüüs saaks tõesti ka kvaliteetne, tasub taolistele katsetustele teinekord pisut aega kulutada. Alljärgnevalt anname aga ülevaate Tartu ülikooli üliõpilastele praegu kõige kättesaadavamast kvalitatiivse analüüsi tarkvarast MAXQDA.

Võrreldes analüüsiga, mis on läbi viidud pliiatsi ja paberi abil või kasutades tarkvara, mis ei ole loodud kvalitatiivseks andmeanalüüsiks (nt Word, Excel), on MAXQDA-l mitmeid eeliseid – eelkõige on need seotud väiksema ajakuluga (vt nt García‐Horta ja Guerra-Ramos, 2009).

Näiteks hõlbustab MAXQDA analüüsi mitme uurija korral, võimaldades laadida eri autorite kodeeritud andmed samasse projektifaili ja ühendada eri uurijate tehtud koodipuud (st koodide süstematiseeritud nimestikud, mis sisaldavad eri tasandi koode). Vastava tarkvarata tuleks koodipuud samale paberile või samasse faili koondamiseks käsitsi ümber kirjutada või need osahaaval kopeerida ja kleepida, mis tähendab täiendavat ajakulu. Ühtlasi on meeskonnatöö funktsiooni kaudu võimalik luua protokoll, mis annab põhjaliku ülevaate iga uurija toimingutest. Seetõttu on kerge näiteks hinnata uurimisrühma liikmete panust ja tehtud tööd võrrelda, vajadusel koodipuid korrastada ja andmeid täiendavalt kodeerida.

Kodeerimist lihtsustab omakorda näiteks in vivo koodide funktsioon, millest on kasu juhul, kui uurija pole veel päris kindel, kuidas mõnda koodi nimetada. Kasutades in vivo kodeerimise käsklust genereerib programm ise koodi algse nimetuse. Samuti võib võimalike koodide määratlemisel olla abi sõnapilve (ingl tag cloud) funktsioonist, mille kaudu on võimalik kuvada uuritavates tekstides leiduvad sõnad esinemissageduse järjekorras.

Analüüsimise muudab mugavamaks võimalus teha väljavõtteid kodeeritud andmete kohta. Hiirega tehtud paari klõpsu tulemusel kuvab programm tabelina huvipakkuva koodiga tähistatud andmeväljad, ilma et uurija peaks neid ühekaupa otsima. Ühelt poolt võimaldab see näiteks kergema vaevaga hinnata, kas autorid on saanud koodi sisust ühtviisi aru, teisalt saab tabelis kuvatud andmeid kohe analüüsima asuda. Koodidevaheliste tähenduslike ja diskursiivsete seoste analüüsimiseks saab rakendada visualiseerimistööriista MAXMaps, mille abil on võimalik luua skeeme.

MAXQDA-t kasutades tuleb arvestada ka mõningate piirangute ja ohtudega. Üks sagedasemaid eksimiskohti on tarbetu kvantifitseerimine, mida võib soodustada näiteks see, et tarkvara kuvab iga koodi juures arvu, mitu andmevälja on vastava koodiga tähistatud. Kuna lisaks kvalitatiivsele analüüsile saab MAXQDA-t kasutada kvantitatiivse ja kombineeritud analüüsi jaoks, pakub programm mõningaid kvantifitseerivaid funktsioone, mis pole mõeldud kvalitatiivse analüüsi jaoks. Seega nõuab MAXQDA kasutamine analüüsimeetodi head tundmist.

Lisaks meetodile nõuab tundma õppimist ka MAXQDA tarkvara. Programmi funktsioonidega tutvumine võtab aga aega, mistõttu MAXQDA esmakordsel kasutamisel võib olla ajaline võit analüüsi läbiviimisel väiksem.

Sarnaselt paljudele teistele kavalitatiivse analüüsi tarkvaradele on MAXQDA-t iseloomustatud suhteliselt kodeerimiskesksena (vt García‐Horta ja Guerra-Ramos, 2009) – see tähendab, et põhiline toiming, mida uurija eriti analüüsi esimeses etapis teeb, on kodeerimine. Puuduseks võib see muutuda näiteks siis, kui kõigi tekstiosade kodeerimisest saab uurija jaoks eesmärk omaette ning luuakse uuringu seisukohalt ebavajalikke koode. Seetõttu on oluline, et koodidel oleks alati analüütiline väärtus ning nende lisamine koodipuusse oleks põhjendatud.

Kuigi MAXQDA pakub visualiseerimisvõimalusi, võib neist mõnikord ikkagi väheks jääda ning vajalikuks võib osutuda täiendavalt paberi ja pliiatsi või tekstitöötlusprogrammi kasutamine, näiteks teksti värvimiseks ja ümbertõstmiseks, keerukamate skeemide joonistamiseks vms. Kui MAXQDA pakutavad lahendused osutuvad mingis aspektis analüüsi piiravaks, tasub mõelda teistele võimalustele.

Lõpuks on MAXQDA töövahend, mille eesmärk on säästa uurija aega ja muuta analüüsimine mugavamaks, kuid mis ei tee programmi kasutaja eest analüüsi ära. MAXQDA tõhusa kasutamise eeldusteks on siiski uurija enda teadmised, oskused ja analüüsivõime.

MAXQDA tundma õppimist oleks hea alustada põhifunktsioonidest, milleta on tarkvarapõhise analüüsi läbiviimine keeruline või lausa võimatu. Kõigepealt tuleks tutvuda sellega, kuidas saab luua projektifaili, importida analüüsitavaid dokumente (nt intervjuu transkriptsioone), kodeerida teksti, luua koodipuu ja teha koodide põhjal tekstist väljavõtteid. Käesolevas peatükis on esitatud nende põhifunktsioonide kasutamiseks juhend, milles iga samm on illustreeritud ekraanipiltidega.

Projektifaili loomine

Kuidas luua projektifail? (video)

Samm 1

Joonis 3. Kasutajanime sisestamine ja uue projekti loomine

Kui oled MAXQDA tarkvara arvutis käivitanud, avaneb ekraanil korraga kaks akent: tagaplaanil suurem aken, milles asud edaspidi läbi viima analüüsi, ning esiplaanil väiksem aken, milles tuleb esmalt valida, kas soovid luua uue projekti või avada mõne varasema projektifaili (vt joonis 3).

Väiksema akna ülaosas on valge lahter, millesse tuleb sisestada oma kasutajanimi. Nime sisestamine on vajalik selleks, et programm saaks protokollida, milliseid toiminguid on eri kasutajad projektifailis teinud. Kui oled programmi varem samas arvutis kasutanud, leiad oma nime tõenäoliselt rippmenüüst, mis avaneb, kui klõpsata hiirega lahtri paremas servas asuvale noolekesele.

Et luua uus projekt, tee hiirega märge valiku „Create and open new project“ juurde. Valiku kinnitamiseks klõpsa „OK“.

Samm 2

Joonis 4. Projektifailile asukoha valimine

Eelmine väike aken sulgub ning avaneb uus aken „New project“ (vt joonis 4). Selles aknas on võimalik leida projektifaili salvestamiseks kõvakettal sobiv asukoht, näiteks joonisel 4 kujutatud juhul on selleks valitud kausta „Documents“ alamkaust „MAXQDA11“. Kui asukoht on valitud, tuleb sisestada uue projekti nimi lahtrisse „File name“ ning salvestamiseks klõpsata hiirega „Save“.

Dokumentide importimine

Kuidas importida dokumente? (video)

Samm 1

Joonis 5. Dokumentide importimiseks käskluse andmine

Analüüsitavate dokumentide (nt intervjuu transkriptsioonide) importimiseks, vali hiirega akna ülaosas asuvalt menüüribalt „Documents“ (vt joonis 5). Seepeale avaneb rippmenüü, milles klõpsa ülevalt teisele käsklusele „Import document(s)“. Sama käsklust on võimalik anda ka ilma dokumentide rippmenüüd avamata, vajutades klaviatuuril Ctrl + Shift + T. Importida on võimalik teksti- (.txt, .rtf, .doc, .docx, .pdf, .xls, .xlsx) ning pildifaile (.jpg, .gif, .tif, .png), samuti videoid ja helisalvestisi (.mp3, .wma, .wav, .mp4, .m4a, .m4v, .avi, .wmv, .mpg, .flv, .3gpp, .3gp). Faili pole võimalik importida, kui see on samal ajal avatud mõnes teises programmis (nt .doc-fail Wordis).

Samm 2

Joonis 6. Imporditavate dokumentide valimine

Avaneb uus aken „Import document(s)“, mille kaudu tuleb otsida üles fail(id), milles sisalduvat teksti soovid analüüsida (vt joonis 6). Ühe faili importimiseks klõpsa lihtsalt selle nimel, mitme faili valimiseks tuleb klõpsamise ajal hoida all klahvi Ctrl. Kui huvipakkuvad failid asuvad samas kaustas, on nende valimiseks võimalik lohistada üle nende n-ö sinine väli, hoides all hiire vasakut klahvi. Kui failid on valitud, klõpsa „Open“.

Samm 3

Joonis 7. Imporditud dokumentide kuvamine

Programm impordib valitud dokumendid ning kuvab nende nimekirja vasakul ülemises kastis (vt joonis 7). Topeltklõps faili nimel avab vastava dokumendi MAXQDA akna keskosas asuvas dokumendibrauseris.

Kodeerimine ja koodipuu loomine

Kuidas luua uut koodi? (video)

Kuidas märgistada tekstiosi koodiga? (video)

Kuidas koode korrastada ja luua koodipuu? (video)

Samm 1

Joonis 8. Tekstiosa märgistamine uue koodi loomiseks

Uue koodi loomiseks olemasoleva teksti/andmestiku põhjal märgista hiirega kõigepealt tekstiosa, mida soovid kodeerida. Seejärel vajuta hiire paremat klahvi ning klõpsa vasaku klahviga valikule „Code with a new code“ (vt joonis 8). Teine variant on, et tekstiosa märgistamise järel vajuta hoopis klaviatuuril Ctrl + W.

Samm 2

Joonis 9. Uue koodi loomiseks vajalike andmete sisestamine

Avaneb aken „New code“, mille ülemisse lahtrisse tuleb kirjutada uue koodi nimetus (vt joonis 9). Rohelisest ristkülikust jäävad vasakule kolm mõttepunkti, millele klõpsates saab soovi korral valida koodi värvi. Alumine, kõige suurem lahter „Code memo“ on mõeldud memo jaoks, kuhu tuleb lisada selgitus, milliseid tekstiosi selle koodiga tähistatakse. Näiteks joonisel 9 on uurija soovinud luua koodi „Eesti venelased“, millele on lisanud memo „Intervjueeritav samastab end Eesti venelaste kategooriaga“.

Samm 3

Joonis 10. Tekstiosa kodeerimine juba olemasoleva koodi abil

Uus kood kuvatakse vasakul alumises kastis (vt joonis 10). Kui soovid tähistada sama koodiga mõnda teist tekstiosa, märgista hiirega kõigepealt vastav ala dokumendis ning seejärel lohista tekst koodi peale, hoides all hiire vasakut klahvi.

Samm 4

Joonis 11. Uue koodi loomine koodipuukasti käskluse „New code“ abil

Kodeerimise käigus võib tekkida vajadus koondada mõned koodid ühe üldisema kontsepti alla. Näiteks joonisel 11 kujutatud juhtumi puhul on uurija loonud kolm koodi – „Minu linna elanikud“, „Eesti elanikud“, „Eesti venelased“ –, millega on tähistatud tekstiosi, kus intervjueeritav on end samastanud vastavalt kas oma linna elanikega, Eesti elanikega või Eesti venelastega. Kõigil kolmel juhul on tegu intervjueeritava enesemääratlusega, mistõttu on soovinud uurija rühmitada need koodid üldisema koodi „Enesemääratlus“ alla.

Selleks tuleb kõigepealt luua uus kood, klõpsates koodipuukasti (MAXQDA aknas all vasakul) käsuribal vasakult teisele ikoonile „New code“ või vajutades klaviatuuril Alt + N. Avaneb aken „New code“, mille ülemisse lahtrisse tuleb sisestada ülemuskoodi nimetus (vaatlusaluse näite puhul „Enesemääratlus“) ning alumisse, suuremasse lahtrisse koodi memo. Seejärel klõpsa „OK“.

Samm 5

Joonis 12. Koodide rühmitamine

Uue koodi loomise järel tekkis näitejuhtumi puhul koodikasti neli sama tasandi koodi. Selleks, et rühmitada eelnevalt loodud koodid ülemuskoodi alla, tuleb need ükshaaval hiirega lohistada ülemuskoodi peale, hoides all hiire vasakut klahvi. Näiteks joonisel 12 kujutatud juhul tuli lohistada „Minu linna elanikud“ ülemuskoodi „Enesemääratlus“ peale, et „Minu linna elanikud“ muutuks „Enesemääratluse“ alamkoodiks).

Koodide põhjal väljavõtete tegemine tekstist

Kuidas teha koodide põhjal väljavõtteid tekstist? (video)

Lisavõimalus – Kuidas kuvada väljavõtteid joonisena? (video)

Samm 1

Joonis 13. Väljavõtete avamine Exceli tabelina

Kui soovid näha, milliseid tekstiosi on mõne kindla koodiga kodeeritud, tee koodipuukastis hiirega topeltklõps huvipakkuva koodi nimetusel. Seepeale avaneb aken „Coded segments“. Kui soovid kuvada väljavõtted näiteks Exceli tabelina, klõpsa akna ülaosas asuva käsuriba esimesele ikoonile „Show as Excel table“. Soovi korral on võimalik väljavõtteid kuvada ka HTML-formaadis.

Samm 2

Joonis 14. Väljavõtted Exceli tabelis

Avaneb Exceli tabel, milles kajastuvad kõik valitud koodiga tähistatud tekstiosad ning kodeerimisega seotud andmed, nt tekstiosa algse faili nimi, koodi nimetus, kodeerija kasutajanimi jms.

Kust leida infot ülejäänud funktsioonide kohta?

Mõistagi pakub MAXQDA analüüsimiseks märksa rohkem võimalusi, kui on siin käsitletud. Programmi funktsioonidega on võimalik täiendavalt tutvuda õppevideote vahendusel ning lisainformatsiooni on võimalik leida ka veebilehelt http://www.maxqda.com/.

Dey, J. (1998). Qualitative data analysis: a user-friendly guide for social scientists. London [etc.]: Routledge.

Fielding, N. (1998). Computer analysis and qualitative research. London: Sage Publ.

Fischer, M. (1997). Qualitative computing; using software for qualitative data analysis. Aldershot etc: Ashgate Pub.

García‐Horta, J. B. ja Guerra‐Ramos, M. T. (2009). The use ofCAQDAS in educational research: some advantages, limitations and potential risks. International Journal of Research & Method in Education, 32(2), 151-165.

Gilbert, L. S. (2002). Going the distance: ‚closeness’ in qualitative data analysis software. International Journal of Social Research Methodology, 5(3), 215-228, http://web.ebscohost.com/ehost/pdf?vid=4&hid=109&sid=2bb928b3-2b22-4759-90a9-fd6e95470fb2%40sessionmgr108

Lewins, A. ja Silver, C. (2006). Choosing a CAQDAS Package. http://caqdas.soc.surrey.ac.uk/ChoosingLewins&SilverV5July06.pdf

Kelle, U. (1995). Computer-Aided Qualitative Data Analysis: Theory, Methods and Practice. London: Sage.

Weitzman, E. A. ja Miles, M. B. (1995). Computer programs for qualitative data analysis: a software sourcebook. Oaks: Sage.

Dey, J. (1998). Qualitative data analysis: a user-friendly guide for social scientists. London [etc.]: Routledge – annab hea ülevaate erinevatest kvalitatiivses analüüsi kasutatatavatest tehnikatest.

Kelle, U. (1995). Computer-Aided Qualitative Data Analysis: Theory, Methods and Practice. London: Sage – annab nii teoreetilise kui ka praktilise ülevaate tarkvarapõhise analüüsi eripäradest.

Tarkvara Maxqda tootja loodud juhendid on kättesaadavad aadressil: http://www.maxqda.com/service. Tarkvara iseseisvaks õppimiseks on abiks ekraanivideod: http://www.maxqda.com/videos/creating-a-project

Võimalikud temaatilised koodid:

Keelekasutus ja -valik (intervjuu keel, põhjendus, korrektsus, inglise keele kasutamine, keelte kasutamine ja olulisuse põhjendused, nt eesti, vene, muu keel ja põhjendus ja valikud)

– üldine valik ja hinnangud
– keelte vahetus intervjuu jooksul

Keeleoskus

– keeleoskus üldiselt (mis keeli osatakse)
– oskust mõjutavad tegurid
– oskuse vajadus

Keele omandamise koht ja oskuse tase (ka läbi kasutamise, nt kodus)

– koolis (nt loen eesti keeles kiiremini)
– kodus
– lasteaias
– muud kontaktid ja võrgustik (eri kontaktide, sõpruskonna mainimine, mh meedias)

Kooli valiku põhjused

– keele valik (lasteaias räägiti eesti keeles)
– muu põhimõte (kooli kaugus, transpordi vajadus)
– isiklikud eelistused vs perekondlikud põhjendused
– kindel eeskuju (vend või sugulased)
– õppekvaliteet

Rahulolu kooli valikuga (erinevus õppekeelte vahel – taustainfo, mille lõikes rahulolu erinevaid mustreid vaadata)

– praktilised eelistused
– ainevaldkonna eelistamine
– hea kvaliteet
– õppekorraldus
– õpetajad
– füüsiline keskkond
– kooli kaugus/lähedus (kättesaadavus)

Üldine eri õppekeelte võrdlus (institutsionaalne, vt millisena nähakse subjekti, kuivõrd tuuakse enesekohaseid hinnanguid sisse)

– venekeelne vene koolis
– venekeelne eesti koolis
– keelekümblus

Identiteedi nimetus (mis nimetusi mainib, kuidas ennast määratleb)

Identiteedi piirid

– eristumine keele alusel
– normatiivsus (võib olla nii eesti kui vene keele korral või üldiselt)
– identiteedi territoriaalsed alused
– kooli sõnum (õppekeelest lähtumine + kuidas mind väliselt koheldakse)
– kodakondsus
– rahvus (+ rahvussuhete selgitus)
– kultuur traditsioonide mõttes (juured, aga ka ajalooline mälu, nt kommunism, pronkssõdur)
– kultuur laiemalt (mh multikultuurilisus)
– majanduslik edukus, hakkamasaamine (nt töö saamine)

Enesemääratlused (kirjeldus + kelle puhul tunti kuuluvust)

– eestlased
– Eesti kodanik

Identiteet (koha mõttes, situatiiivsus – kas eristab eri keskkondi)

– kodus
– koolis
– ise (enesekohane, nime kaudu samastumine, personaalne samastumine)
– meediaruum (keel ja identiteet meedias)

Identiteedi selgus

– situatiivsus (sõltuvalt olukorrast)
– selge ühene eelistus
– kahtlev
– identiteedi konflikt (kas enesekohaselt väljendatuna või siis üldistes hinnangutes, nt vastuhoiak eestlaste suhtes)

Hinnang eestikeelsele õppele ülemineku suhtes

– mida lugenud
– mida ise kogenud
– hinnang korraldusele – sama süsteem
– hinnang korraldusele – vajadus süsteemi muuta

Vene kultuur ja rahvus

– koolitundide kirjeldus
– õpetaja suhtumine koolis
– teiste õpilaste suhtumine
– enesekohane hinnang
– õpiku tekst (mida on õppinud, koolist kuulnud)
– tähtpäevade tähistamine kodus (eraldi praktikad + hinnangud)

Meedia jälgimine

– meedia keelelised eelistused (eraldi eesti, vene, muu)
– põhjendused, hinnangud
– traditsiooniline meedia
– online-meedia

Tulevikuplaanid

– valikud üldiselt (mh 10 a pärast)
– edasiõppimine
– töötamine, töökoha valikud
– välismaale minek

Tabel 1. Kvalitatiivse analüüsi tarkvarade võrdlus.