داده های کیفی | Qualitative Data چیست ؟
داده های کیفی به عنوان داده هایی تعریف می شود که تقریب و مشخص می کنند. داده های کیفی را می توان مشاهده و ثبت کرد. در زمینه تحلیل، اصطلاحات «داده های کیفی» و «داده های کمی» به طور مکرر استفاده می شود. کمی و کیفی دو روی سکه ای هستند که «داده ها در آمار» نامیده می شوند، اما از آنجایی که بسیاری از مردم با داده های کمی (یعنی داده های عددی از انواع مختلف) آشنا هستند، داده های کیفی اغلب کمتر درک می شوند. درک داده های کیفی برای محققان، تحلیلگران، تصمیم گیرندگان یا هر کسی که می خواهد بینش عمیقی در مورد رفتارها، نگرش ها و تجربیات افراد به دست آورد، ضروری است.
داده های کیفی داده هایی هستند که اطلاعات و مفاهیمی را نشان می دهند که با اعداد نمایش داده نمی شوند. آنها اغلب از مصاحبه ها و گروه های متمرکز، خاطرات شخصی و دفترچه های آزمایشگاهی، نقشه ها، عکس ها و سایر مواد چاپی یا مشاهدات جمع آوری می شوند.
داده‌های کیفی اطلاعات و مفاهیمی را نشان می‌دهند که به صورت عددی تعیین نمی‌شوند. آنها معمولاً از طریق منابعی مانند مصاحبه‌ها، گروه‌های متمرکز، خاطرات شخصی، دفترچه‌های آزمایشگاهی، نقشه‌ها، عکس‌ها و سایر مواد مشاهده‌ای یا چاپی به دست می‌آیند.
در این مقاله سعی شده است داده های کیفی با رویکردهای مختلف تحلیل آن توضیح داده شود و همچنین با مزایا و معایب داده های کیفی آشنا شویم.
←برای خرید کرک لایسنس تبلو Tableau با تمام ویژگی ها کلیک کنید
انواع داده ها در آمار
گروه بندی داده ها را می توان بر اساس جنبه های کمی و کیفی اطلاعات جمع آوری شده انجام داد و داده ها را می توان به انواع زیر طبقه بندی کرد:
- داده های کیفی | Qualitative Data
- داده های کمی | Quantitative Data
داده های کیفی در آمار
داده‌های کیفی از متغیرهایی برای نمایش برچسب‌ها یا ویژگی‌های موجودات یا اشیاء استفاده می‌کنند، مانند ژانرهای فیلم یا روش‌های سفر. برچسب ها را نمی توان به صورت عددی نشان داد و مقادیر عددی آنها ممکن است هیچ اهمیتی نداشته باشد. داده های کیفی به عنوان داده های طبقه بندی نیز شناخته می شوند که از طریق شاخص ها بیان می شوند و با ادراکات سروکار دارند.
داده های کیفی را نمی توان میانگین گرفت، و روش های انبوهی مانند میانگین یا میانگین برای داده های غیر عددی صادق نیستند. داده های کیفی را می توان بر اساس دسته بندی ها گروه بندی کرد و در تعیین فراوانی صفات یا ویژگی ها مفید است. به عنوان مثال، رنگ مو را می توان به سه رنگ اصلی، مشکی-قهوه ای یا بلوند طبقه بندی کرد. به ادراکات می پردازد. داده های کیفی در تعیین فراوانی خاص صفات یا ویژگی ها مفید است.
نمونه های داده های کیفی
چندین نمونه از داده های کیفی در دنیای واقعی وجود دارد که برخی از این نمونه ها عبارتند از:
- متن مصاحبه: داده های جمع آوری شده از فرم های نظرسنجی پس از مصاحبه می تواند داده های کیفی غنی را ارائه دهد که نظرات، نگرش ها و تجربیات شرکت کنندگان را توصیف می کند.
- نکات مشاهده: هنگام مشاهده یک رفتار یا پدیده، داده های ثبت شده آن پدیده نیز نمونه ای از داده های کیفی است زیرا می تواند ویژگی ها، زمینه و تفاوت های ظریف پدیده مشاهده شده را به ما بگوید.
- پاسخ‌های نظرسنجی پایان باز: در یک نظرسنجی، گاهی اوقات سؤالات باز وجود دارد تا درباره تجربیات، ادراکات و نظرات شرکت‌کننده در مورد یک موضوع خاص بدانید. این داده ها نیز نمونه ای از داده های کیفی هستند.
ویژگی های داده های کیفی
ویژگی ها یا ویژگی های داده های کیفی به شرح زیر است.
- داده های کیفی ماهیت توصیفی دارند، یعنی پدیده را به طور عمیق توصیف و توضیح می دهند و اغلب اطلاعات زمینه ای غنی را نیز ارائه می دهند.
- داده های کیفی ماهیت غیر عددی دارند، یعنی به صورت یادداشت، عکس و فرم نظرسنجی هستند.
- از آنجایی که این داده‌ها توصیفی و غیر عددی هستند، می‌توانند توسط افراد مختلف تفسیر شوند، بنابراین تحلیل این نوع داده‌ها با توجه محقق متفاوت است.
- در جمع آوری داده های کیفی، داده های جمع آوری شده چندان خاص نیستند. دارای پاسخ های باز و پاسخ های مفصل و تجربیات ارائه شده توسط شرکت کنندگان است.
انواع داده های کیفی
داده های کیفی را می توان بیشتر به انواع زیر دسته بندی کرد:
- داده های اسمی | Nominal Data
- داده های ترتیبی | Ordinal Data
- داده های اسمی
داده های اسمی با استفاده از نام ها نشان داده می شوند، همانطور که با منشاء لاتین آنها نشان داده شده است. این شامل داده های نامگذاری شده یا برچسب گذاری شده است و مقادیر عددی را در نظر نمی گیرد. برای مثال، ژانرهای مختلف فیلم یا سریال، مانند ترسناک، علمی تخیلی، و رام کام، داده‌های طبقه‌بندی اسمی هستند. آنها به اشکال مختلف برچسب گذاری می شوند.
- داده های ترتیبی
داده‌های کیفی ترتیبی از مقیاس یا معیار خاصی برای گروه‌بندی داده‌ها به دسته‌ها یا گروه‌ها استفاده می‌کنند. داده ها به طور کلی مرتب یا اندازه گیری می شوند، اما مقیاس مورد استفاده برای نمایش داده ها ممکن است استاندارد یا خاص نباشد. این نوع داده شامل مقادیر عددی است و خصوصیات داده های دسته بندی و داده های عددی را نمایش می دهد.
داده های دسته بندی را می توان با ساخت گروه ها تجزیه و تحلیل کرد و می توان آن ها را به صورت بصری با استفاده از نمودارهای میله ای نمایش داد. داده‌های طبقه‌بندی ترتیبی را می‌توان با استفاده از نظرسنجی‌هایی که از اعداد برای محاسبه داده‌های مقایسه متعلق به گروه‌های تحت متغیرهای طبقه‌بندی استفاده می‌کنند، نشان داد.
تجزیه و تحلیل داده های کیفی
تجزیه و تحلیل داده‌ها بخش بسیار مهم‌تری نسبت به جمع‌آوری آن است، زیرا داده‌ها به خودی خود بدون تجزیه و تحلیل چیزی در مورد پدیده‌ای که برای آن جمع‌آوری شده است به ما نمی‌گوید. در مورد تجزیه و تحلیل داده های کیفی، دو رویکرد اصلی می تواند وجود داشته باشد:
- رویکرد قیاسی | Deductive Approach
- رویکرد استقرایی | Inductive Approach
-
رویکرد قیاسی
رویکرد قیاسی به تحلیل داده‌های کیفی با ایده‌ها یا مفاهیم از پیش ساخته شده‌ای شروع می‌شود که برای آنها داده‌ها را جمع‌آوری می‌کنیم و آنها را تجزیه و تحلیل می‌کنیم تا ببینیم آیا شواهد این ایده‌های از پیش ساخته شده را پشتیبانی می‌کنند یا باطل می‌کنند. برخی از مراحل مربوط به استفاده از رویکرد قیاسی برای تجزیه و تحلیل داده های کیفی:
- اولین گام در این رویکرد، توسعه یک چارچوب نظری مبتنی بر تحقیقات کامل است که بیشتر با داده ها ثابت می شود یا خیر.
- پس از تکمیل چارچوب یا فرضیه، داده ها را با استفاده از ابزارهای مختلف جمع آوری می کنیم.
- پس از جمع‌آوری داده‌ها، ما از زبان‌های برنامه‌نویسی برای کدگذاری مدل‌های یادگیری ماشین استفاده می‌کنیم تا الگوهای مرتبط با فرضیه خود را پیدا کنیم.
- پس از همه اینها، نتایج را تجزیه و تحلیل می کنیم و به این نتیجه می رسیم که آیا فرضیه ما درست است یا نه یا برای نتیجه گیری به داده های بسیار بیشتری نیاز دارد.
- رویکرد استقرایی
رویکرد استقرایی به تحلیل داده‌های کیفی با جمع‌آوری داده‌ها شروع می‌شود و به سمت شناسایی الگوها و مضامین پیش می‌رود. این رویکردی است که محققین به بررسی مضامین مختلف می پردازند و نتایج را به عنوان فرضیه با شواهد حاصل از داده ها نتیجه می گیرند. برخلاف رویکرد قیاسی، در اینجا محققین همیشه با برخی فرضیه های درست به نتیجه می رسند.
در زیر برخی از مراحل مربوط به استفاده از رویکرد استقرایی برای تجزیه و تحلیل داده های کیفی آمده است:
- در این رویکرد ابتدا داده‌ها را با استفاده از روش‌های مختلف مانند مصاحبه، مشاهده و گروه‌های کانونی مختلف جمع‌آوری می‌کنیم. این داده ها معمولاً به صورت ضبط صدا، رونوشت، یادداشت یا عکس است.
- پس از جمع‌آوری داده‌ها، رویه‌های کدگذاری اولیه شروع می‌شود که به ما کمک می‌کند بخش‌هایی از داده‌ها را که ایده و مفاهیم مشابه را نشان می‌دهند شناسایی و برچسب‌گذاری کنیم.
- پس از تکمیل برچسب‌گذاری و شناسایی داده‌ها، برخی از الگوهای اساسی در داده‌ها به وجود می‌آیند که نیاز به تحقیقات بیشتر و الگویابی در جایی که از مدل‌های یادگیری ماشین استفاده می‌شود، دارند.
- پس از همه، داده های تحقیق به عنوان شواهد برای انتشار یافته های تحقیق استفاده می شود. اکنون یک فرضیه یا چارچوب با استفاده از تمام مضامین و الگوها برای پشتیبانی از چارچوب ایجاد می شود.
تفاوت بین داده های اسمی و ترتیبی
برخی از تفاوت های کلیدی بین هر دو نوع داده کیفی را می توان در جدول زیر فهرست کرد:
| Feature / ویژگی | Nominal Data / داده های اسمی | Ordinal Data / داده های ترتیبی |
| Definition / تعریف | داده هایی که به هیچ وجه رتبه بندی یا مرتب نشده اند. | داده هایی که به روشی خاص رتبه بندی یا مرتب شده اند، |
| Examples / نمونه ها | جنسیت، رنگ، وضعیت تاهل، ملیت | سطح تحصیلات، محدوده درآمد، سطح رضایت |
| Arithmetic operations / عملیات حسابی | هیچ عملیات حسابی نمی تواند انجام دهد. | می تواند عملیات حسابی اساسی مانند جمع و تفریق را انجام دهد، اما نه ضرب یا تقسیم |
| Measures of Central Tendency / اقدامات گرایش مرکزی | Mode | Mode, Median |
| Measures of Dispersion /اقدامات پراکندگی | – | Range, Interquartile Range |
مزایا و معایب داده های کیفی
استفاده از داده‌های کیفی مزایا و معایبی دارد، زیرا داده‌ها از نظر ماهیت بسیار غنی هستند، بنابراین مجموعه‌ای از این نوع داده‌ها برای بسیاری از موارد بسیار مفید است، اما معایبی نیز دارد. بیایید به تفصیل مزایا و معایب داده های کیفی را بررسی کنیم.
مزایای داده های کیفی
برخی از مزایای داده های کیفی به شرح زیر است:
- عمق داده ها: داده های کیفی درک غنی و عمیقی از پدیده مورد مطالعه ارائه می دهد و همچنین می تواند روابط پیچیده، هنجارهای اجتماعی و شیوه های فرهنگی را آشکار کند.
- انعطاف پذیری: پژوهش کیفی انعطاف پذیر است، به این معنی که محققان می توانند روش های جمع آوری، میزان و نوع داده های جمع آوری شده و تجزیه و تحلیل خود را با نیازهای خاص مطالعه تطبیق دهند.
- دیدگاه‌های شرکت‌کننده: داده‌های کیفی اغلب از طریق مصاحبه جمع‌آوری می‌شوند، که این فرصت را برای محقق فراهم می‌کند تا دیدگاه‌های شرکت‌کنندگان را درک کند.
- کشف پدیده‌های پنهان: داده‌های کیفی به‌ویژه زمانی مفید است که محققان بخواهند موضوعات جدید یا کمتر تحقیق شده را بررسی کنند. این نوع داده‌ها می‌توانند پدیده‌های ناشناخته قبلی را آشکار کنند یا بینشی در مورد موضوعات موجود ارائه دهند.
معایب داده های کیفی
برخی از معایب داده های کیفی به شرح زیر است:
- ذهنیت: از آنجایی که داده‌های کیفی اغلب از طریق مصاحبه یا مشاهده جمع‌آوری می‌شوند، به همین دلیل است که سوگیری‌ها و باورهای خود محقق می‌تواند بر داده‌ها تأثیر بگذارد و می‌تواند منجر به تفسیرهای ذهنی از داده‌ها شود.
- حجم نمونه کوچک: تحقیقات کیفی معمولاً شامل حجم نمونه کوچک است که می تواند تعمیم یافته ها را محدود کند.
- وقت گیر: تحقیقات کیفی می تواند زمان بر باشد، به ویژه زمانی که با تحقیقات کمی مقایسه می شود زیرا تمام مراحل این نوع داده ها از جمع آوری تا تجزیه و تحلیل زمان بر است.
- مشکل در تجزیه و تحلیل داده ها: داده های کیفی اغلب پیچیده و تجزیه و تحلیل آنها دشوار است. محققان باید در تجزیه و تحلیل و تفسیر داده ها مهارت داشته باشند تا مطمئن شوند که یافته های آنها دقیق و قابل اعتماد است.
نتیجه گیری
داده های کیفی نوعی اطلاعات غیر عددی است که موارد مختلف را دسته بندی و توصیف می کند و یافتن الگوها و روندها را آسان تر می کند. برای بررسی رفتار، سلیقه و ویژگی‌های یک جامعه بسیار مهم است. به عنوان مثال، زمانی که تحلیل های کیفی بر روی داده های طبقه بندی شده به دسته های اسمی یا ترتیبی انجام می شود، می توان بینش را به دست آورد. این روش در زمینه هایی مانند تحقیقات بازاریابی و علوم اجتماعی محبوبیت پیدا کرده است.
مقاله های مرتبط:
1- جمع آوری داده ها | Data Collection چیست؟
2- مدیریت داده در مقابل حاکمیت داده
3- راه حل های یکپارچه سازی داده ها – کلید یک عملیات موفق
4-داشبورد سازی در نرم افزار تبلو و تجسم داده ها