Wat kwalitatief methodenonderwijs kan leren van de lineaire regressieanalyse

Veel studenten lopen tijdens het schrijven van hun scriptie vast bij het ontwerpen van een degelijk kwalitatief onderzoeksontwerp. Ze zijn onzeker en ‘praten het handboek na’ in plaats van dat ze hun keuzes in het onderzoek helder onderbouwen. Toch blijft er gelukkig ook veel enthousiasme onder studenten voor kwalitatieve methoden. Daarom is het van belang om methodenonderwijs onder de loep te nemen en continu te blijven verbeteren. Interviewvaardigheden worden de laatste jaren gelukkig al steeds serieuzer genomen in het onderwijs, bijvoorbeeld door middel van digitale opdrachten waarmee studenten heel gericht deelaspecten van een interview kunnen oefenen en aan de hand van een opname feedback krijgen.

Analyse van kwalitatieve data krijgt niet in alle opleidingen genoeg aandacht in het methodenonderwijs. Vaak wordt dit onderwerp afgedaan met alleen een korte uitleg over coderen of juist het bespreken van de veelvoud aan benaderingen die kwalitatief onderzoek rijk is, maar zonder die goed uit te werken of ermee te oefenen. Hoe dit anders kan is af te kijken van hoe kwantitatief methodenonderwijs wordt vormgegeven. Hier is de lineaire regressie het vertrekpunt waarop verdere expertise over multivariate analyse gebouwd kan worden. In deze blog betogen wij dat een equivalent van de lineaire regressieanalyse voor kwalitatief methodenonderwijs eenzelfde sterke basis kan bieden.

Lineaire regressie analyse als uitgangspunt

Het goed begrijpen van lineaire regressie biedt studenten alle tools om de volgende analyses te kunnen begrijpen in kwantitatief methodenonderwijs. Of het nou gaat om logistische regressie, count-modellen of meer econometrische analyses zoals Difference-in-Difference analyses, de basis is telkens te vinden in lineaire regressie. In het onderwijs wordt deze basis opgebouwd op twee manieren. Aan de ene kant doordat studenten zich breder toepasbare terminologie eigen maken, en aan de andere kant doordat zij leren herkennen welk type vragen te beantwoorden zijn met kwantitatieve analysetechnieken.

Om lineaire regressie te begrijpen, moeten studenten zich de basistermen van kwantitatieve analyses eigen maken. Basistermen zoals significantie (p-waarden), spreiding, standaardfouten en coëfficiënten worden allemaal toegepast bij lineaire regressie, net zoals het spreken in termen van model fit en verschillende residuen (error). Veel van deze termen zullen studenten al uitgelegd hebben gekregen, maar de lineaire regressie is vaak de eerste multivariate analyse die ze moeten doen. Deze toegepaste kennis kan dan worden meegenomen naar meer specialistische multivariate analyses. Hoewel de context verandert bij deze andere analyses, zullen deze termen qua betekenis niet fundamenteel veranderen. Sommige concepten worden anders berekend (zoals de R-kwadraat), maar ze behouden hun interpretatie. Dit geeft een handvat voor studenten bij het later aanleren van meer complexe analyses. Het geeft ze een kapstok waar ze de nieuwe techniek aan kunnen ophangen.

Daarnaast helpt het leren over lineaire regressie studenten ook om het type vragen te begrijpen waar kwantitatieve analyses toepasbaar zijn. Plat gezegd: het kijken naar verschillen in gemiddelden afhankelijk van andere factoren wordt duidelijk in het lesgeven van lineaire regressie. Hierbij wordt ook duidelijk gemaakt waarom de lineaire regressie het startpunt is: ‘simpelere analyses’ zijn bivariaat, waar niet rekening gehouden wordt met derde factoren. Bij de lineaire regressie komt het denken in controlevariabelen ook aan bod, en daarmee de complexe benaderwijzen van hoe verschillende variabelen zich tot elkaar verhouden.

Verschillende epistemologische posities

Uiteraard is kwantitatief onderzoek veel meer monolithisch en baseert kwalitatief onderzoek zich daarentegen op verschillende epistemologische posities. Dit kan een reden zijn waarom bij kwalitatief methodenonderwijs vaak een hele reeks aan analysebenaderingen wordt besproken, bijvoorbeeld om uit te leggen in welke situatie een student beter grounded theory kan gebruiken dan een discoursanalyse en andersom. Echter vergen deze epistemologisch gebonden benaderingen meer voorkennis en ervaring, wat het complexer maakt voor studenten. De diversiteit in data kan ook een reden zijn waarom studenten meestal wel iets leren over coderen en het gebruik van software die het coderen ondersteunt, maar geen analytische basismethode. Dat komt doordat sommige analysebenaderingen zich vooral goed lenen voor een bepaald type data. Zo zal, bijvoorbeeld, een interpretatieve fenomenologische analyse zich goed lenen voor het analyseren van interviews en minder voor het analyseren van krantenartikelen als data. Echter biedt ervaring met het proces van coderen nog geen handvat voor het maken van goed onderbouwde analytische keuzes.

De thematische analyse

Toch bestaan er ook flexibele benaderingen voor kwalitatief onderzoek die zich niet verbinden aan een specifieke epistemologie en toepasbaar zijn op verschillende soorten data. Een goed voorbeeld daarvan is de thematische analyse zoals beschreven door Braun en Clarke (2006). Zij omschrijven thematische analyse als ‘een methode voor het identificeren, analyseren en rapporteren van patronen (thema’s) in de data’ (p. 79). Net als bij lineaire regressie binnen het kwantitatief methodenonderwijs, kunnen studenten zich middels thematische analyse een terminologie eigen maken en type vragen leren herkennen die breder toepasbaar zijn binnen het kwalitatief methodenonderwijs.

Thematische analyse introduceert studenten tot een stappenplan en aantal basistermen die ook herkenbaar zijn in andere benaderingen: 1) transcriberen en bekend raken met de data door middel van close reading, 2) labelen en benoemen van initiële codes, 3) zoeken en samenstellen van thema’s op basis van codes, 4) controleren van thema’s en in kaart brengen van relatie tussen thema’s, 5) definiëren van thema’s en hun plaats bepalen in een lopend verhaal, en 6) rapporteren van analyse en voorbeelden uit de data pakken ter illustratie. Zo komen stappen twee tot en met vier bijvoorbeeld min of meer overeen met de stappen van open, axiaal en selectief coderen in grounded theory. Thematische analyse maakt op een simpele manier duidelijk wat een onderzoeker doet bij het analyseren van kwalitatieve data en waarom die dat doet (Braun & Clarke, 2022). Zonder deze kennis heeft de onderzoeker, in dit geval de student, alleen data waaruit anekdotes kunnen worden gedeeld of onderwerpen die tijdens de interviews besproken zijn, maar geen analyse.

Verder dwingt thematische analyse studenten om hun keuzes in het analyseproces beter te onderbouwen en helpt hen inzicht te krijgen in het type vragen waar kwalitatief onderzoek een antwoord op kan geven. Een voorbeeld hiervan is dat thematische analyse ruimte biedt voor zowel een inductieve als een deductieve benadering, waardoor de keuze hiertussen moet worden beargumenteerd. Een inductieve benadering past bijvoorbeeld goed bij onderzoek naar nieuwe onderwerpen of fenomenen waar bestaande theorie geen passende verklaring voor biedt. Daarentegen past een deductieve benadering bijvoorbeeld goed bij kwalitatief onderzoek dat onder de motorkap poogt te kijken bij een eerder gevonden statistische relatie en daarbij een bestaand vocabulaire kan gebruiken om onderliggende mechanismen te duiden. Verder kan thematische analyse zich zowel richten op semantische thema’s, gebaseerd op de directe betekenis van kwalitatieve data, of op latente thema’s waarbij het gaat om de achterliggende ideeën, assumpties en context (Braun & Clarke, 2022). Dit bereid studenten voor op meer complexe technieken die uitgaan van semantische thema’s, zoals gebruikelijk in interpretatieve fenomenologische analyse, of van latente thema’s, zoals in sommige vormen van discoursanalyse.

Kortom, waar lineaire regressie een vertrekpunt biedt in het kwantitatief methodenonderwijs, kan thematische analyse eenzelfde sterke basis vormen in het kwalitatief methodenonderwijs. Door eerst uitleg te geven over deze basistechnieken en studenten ermee te laten oefenen, kunnen zij hierop voortbouwen bij het leren van meer complexe analyses die gebonden zijn aan specifieke epistemologieën of vormen van dataverzameling. Zeker nu de aandacht voor multi- en mixed-methods onderzoek toeneemt is het belangrijk om studenten in eerste instantie kennis te laten maken met een analytische basis. Gebeurt dat niet, dan bestaat het risico dat studenten het overzicht kwijtraken en met onvoldoende vaardigheden beginnen aan hun scriptieonderzoek. De keuze voor dergelijke basistechnieken bepaalt wel een richting voor het methodenonderwijs en zou anders ingevuld kunnen worden. Net zoals Bayesiaanse statistiek als alternatief voor kwantitatieve analyse, kan er ook voor een specifieke andere benadering tot kwalitatieve analyse worden gekozen. In de gangbare opbouw van veel methodenonderwijs is de lineaire regressie echter het vertrekpunt van de frequentistische multivariate statistiek. Op eenzelfde manier zou de thematische analyse deze rol op zich kunnen nemen in het gangbare curriculum van het kwalitatief methodenonderwijs.

 

Referenties

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative research in psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa

Braun, V., & Clarke, V. (2022). Thematic analysis: a practical guide. London: SAGE publications.

 

Biografie

Damion Bunders en Jaap van Slageren zijn beide als universitair docent verbonden aan het departement Sociale Geografie en Planologie van de Universiteit Utrecht. In het bachelor programma geven zij samen de cursus ‘Analyse’, welke voortbouwt op de inzichten uit deze blog.