INF Introduksjon til design, bruk, interaksjon Kvalitativ analyse

Transkript

1 INF Introduksjon til design, bruk, interaksjon Kvalitativ analyse 20. september 2016 Institutt for Informatikk, Universitetet i Oslo joshi@ifi.uio.no

2 2

3 3

4 4

5 Kontaktstudent Det er viktig at dere gir oss tilbakemelding på kurset underveis: Hvordan er forelesningene? Hvordan er gruppetimene? Hvordan er de obligatoriske oppgavene? Hvordan er ukesoppgavene? Kontaktpunkter Kurs, pensum, eksamen, lærebok foreleser Derya Uysal Ukesoppgaver, obligatoriske oppgaver, øvelser, gruppetimer, sykdom, utsettelse gruppelærer/plenum Lenger sykdom, tilrettelegging, forsinket innlevering studieadministrasjonen Anonyme henvendelser, generelle tilbakemeldinger kontaktstudent 5

6 Antall studenter Øvelse 0 poengfordeling Poengsum 6

7 Dagens forelesning Analyse Hvorfor analysere? Hva er analyse og når kan vi analysere? Kvalitativ analyse Underliggende antagelser, utfordringer, usikkerhet Tilnærminger Innholdsanalyse Koding, tematisk analyse, affinity diagram Funn 7

8 Nøkkelbegreper Analyse og syntese s. 15 Induktiv analyse s. 46 Bias s. 35 Aksiell koding s. 47 Inter- og intra-coder reliability s. 36 Deduktiv analyse s. 47 Hawthorne-effekten s. 37 Tematisk analyse s. 48 Innholdsanalyse, grunnleggende og fortolkende s. 42 Affinity diagram s. 51 Koding s. 45 Funn s. 57 Åpen koding s. 46 8

9 Hvorfor ønsker vi å analysere i det hele tatt? Vi er innenfor HCI oppfatt av å forstå brukere og deres interaksjon med teknologi Ofte krever det å designe gode løsninger innsikt i en rekke mindre bestanddeler av menneske-maskin-interaksjonen: Handlinger Aktiviteter Opplevelser Ferdigheter Omgivelser Verdier Vi skiller som regel mellom kvalitativ analyse og kvantitativ analyse fokus i dette kurset er kun på kvalitativ analyse PS: Det er ikke forbudt å bruke kvantitative metoder for å analysere kvalitativ data og vice versa (mixed-methods kommer i INF2260/INF5220) 9

10 10

11 Hvorfor ønsker vi å analysere i det hele tatt? Intervjudata Bilder Krav Behov Observasjonsnotater Lyd- og videopptak Dokumenter Oppgavebeskrivelser Data Analyse Implikasjoner for design Konsekvenser Mønstre Statistikk Funn 11

12 Når kan vi analysere? Selv om det ofte blir slik (spesielt i forskning), behøver ikke analyse være det siste man gjør Man kan fint begynne med en analyse av data (f.eks. andres data) for å oppdage fenomener, forhold, relasjoner etc. som man deretter jobber systematisk videre med i sitt eget arbeid Noen ganger ønsker man å svare på spørsmål, mens andre ganger ønsker man å generere nye spørsmål Analyse kan brukes til å finne nye problemstillinger så vel som å svare på eksisterende problemstillinger Analyse gjøres ofte i forbindelse med evaluering, men kan gjøres i forbindelse med de fleste aktiviteter og det sier sjeldent noe om hvor i løpet vi befinner oss. 12

13 Hva skal vi lære om kvalitativ analyse? INF1500 Enkel innføring og teoretisk tilnærming INF1510 Praktisk innføring og formålstjenlig tilnærming INF2260 Metodisk innføring og vitenskapelig tilnærming 13

14 Analyse 14

15 Definisjoner: - Analyse Analyse vs. syntese Syntese: å sette sammen bruddstykker til en helhet Hvis vi har en kravspesifikasjon vil en syntese sette sammen et system som oppfyller kravene Syntese forbindes ofte med designprofesjon (f.eks. arkitektur) Analyse: å systematisk gå inn i datamaterialet for å undersøke og identifisere bruddstykker og enkelte bestanddeler Hvis vi har et system så vil analysen avsløre dens oppførsel Analyse forbindes ofte med en vitenskapelig tilnærming En viktig forutsetning for analyse er altså at vi har data tilgjengelig (f.eks. et transkribert intervju) 15

16 Begge deler kan brukes i interaksjonsdesign Vi kan enten bryte et designproblem opp i mindre deler for å forstå mindre bestanddeler hver for seg og dermed forstå bruk Eller vi kan designe flere alternativer og bruke dem til å lære mer om bruk ved å se folk prøve dem ut Eksempel: Vi ønsker å lage en ny app som skal tilby reisende på ferie oversikt over tjenester og gjøremål Analyse: vi undersøker folks vaner for bruk av mobil i utlandet for å kartlegge hvordan vi bør designe Syntese: vi designer en rekke ulike prototyper og studerer hvordan brukerne interagerer med dem 16

17 17

18 18

19 19

20 20

21 21

22 22

23 23

24 24

25 25

26 Analyse er en systematisk undersøkelse Vi kan ikke bare hevde at vi har «analysert» vi må gjøre det systematisk Vi skal senere i kurset (og senere i studiet) lære mer om hvordan vi oppnår gyldighet i analyse Analysedataen vi har foran oss må organiseres på en måte som lar oss jobbe videre med den: Den må presenteres slik at vi kan bruke den i en ny eller videre analyse Eller så må vi trekke slutninger om fenomenet vi undersøker Det er gjennom analysen vi kan hevde funn i dataen vår viktig å ha en systematisk og vitenskapelig gyldig tilnærming 26

27 Å lete etter mønstre Analyse søker etter å finne ny forståelse ved å se etter nye mønstre og sammenhenger i dataen Vi er på jakt etter økt forståelse i dataen vår som igjen hjelper oss med å begrense designrommet (med tanke på brukerens beste) Noen ganger vet vi hva vi leter etter, andre ganger ikke Men analyse handler om å organisere og presentere de viktigste detaljene i dataen 27

28 Ordsky 28

29 Hva kan vi analysere? Det meste kan analyseres, men det betyr ikke nødvendigvis at kvaliteten på dataen er god Transkriberingen deres fra obligatorisk oppgave 1 vil være et eksempel på data som kan transkriberes intervjudata Andre typer data som kan analyseres: Observasjonsnotater Film og bilder Evalueringsdata Dokumenter, dagbøker, aviser Oppgavebeskrivelse 29

30 Hvor kommer analysemetoder fra? Som vi har snakket om tidligere er HCI et relativt nytt fagfelt som låner mye fra andre disipliner det er veldig lite som kan kalles «HCI-analyse» Ulike datainnsamlingsmetoder krever ulike analysemetoder Basert på typen data vi får ut (f.eks. prestasjonstall vs. intervjudata) vil ulike metoder for analyse være mer passende enn andre Det meste er hentet fra etablerte, nærliggende disipliner psykologi, sosialvitenskap, humaniora og pedagogikk 30

31 Kvalitativ analyse 31

32 Kvalitative vs. kvantitative studier Kvalitative studier Kvantitative studier Fokuserer på hvordan mennesker eller grupper av mennesker kan ha ulike måter å forstå virkeligheten på (normalt sosial eller psykologisk virkelighet) Fokuserer på å beskrive og forstå virkeligheten ved å oppdage generelle «lover» Involverer kompleksitet ved å inkorporere virkelig kontekst kan anerkjenne ulike perspektiver Involverer kompleksitet ved presis definisjon av fokusområde og teknikker som kan ekskludere eksternt «støy» Studerer oppførsel i naturlige omgivelser eller bruker menneskers betraktninger som data; vanligvis ingen manipulering av variabler Involverer manipulering av uavhengige variabler mens andre holdes konstant Opptatt av å rapportere fra opplevelser eller av data som ikke kan uttrykkes tilstrekkelig med tall Bruker statistiske teknikker som tillater oss å snakke om hvor sannsynlig det er at noe er «sant» for en gitt populasjon i en objektiv eller målbar forstand Fokuserer på beskrivelse og tolkning, og kan lede til utvikling av nye konsepter, teorier eller nye måter å organisere prosesser på Fokuserer på årsak og virkning for eksempel bruke et eksperiment til å verifisere en hypotese Anvender en fleksibel, fremvoksende, men systematisk forskningsprosess Krever at forskningsprosessen er forhåndsdefinert 32

33 Kvalitative vs. kvantitative studier Kvalitative studier Kvantitative studier Subjektivt tolkning Objektiv sannhet Holistisk (helhetlig) Reduksjonistisk (identifisere et sett med variabler) Deskriptiv Eksperimentell Naturlig (fra virkeligheten) Påtatt (skapt, reprodusert virkelighet) Små datautvalg (intervjuer, observasjoner etc.) Representative utvalg Som oftest ingen ønsker om å generalisere Som oftest sterke ønsker om å generalisere 33

34 Viktige underliggende antagelser Involverer flere perspektiver inkludert deltagernes egne stemmer Det finnes flere virkeligheter i alle type studier: forskerens, deltagernes og leserens Studien er bundet til kontekst Studien er basert på induktive former for logikk fra det spesifikke til det generelle Interessante kategorier og mønstre kan vokse ut fra informanter (internt) for å forankre forståelsen (eksternt) Formålet er å oppdage mønstre eller teorier som kan hjelpe med å forklare et interessant fenomen Nøyaktighet kommer fra verifisering gjennom å: Bekrefte med deltagere at informasjonen er korrekt Triangulere ulike former for metoder eller datakilder 34

35 Definisjoner: - Bias Utfordringer med kvalitativ analyse Vanskelig å generalisere funn men det er heller ikke alltid målet vårt Ofte for få eller for ikke-tilfeldig utvalg til å trekke slutninger men vi kan fint designe for én eller få personer Reduksjonistiske kvantitative studier er ofte på jakt etter én absolutt sannhet, mens her er det ofte flere «sannheter» Bærer ofte preg av analytikers subjektivitet eller andre former for bias Bias: skjevhet som gjør at dataen ikke stemmer med virkeligheten kan medføre feil med registrering, tolkning, forståelse 35

36 Usikkerhet ved kvalitativ analyse Definisjoner: - Intra-coder reliability - Inter-coder reliability Vil samme person transkribere og oppleve ett intervju likt om de gjør det to ganger etter hverandre? Intra-coder reliability vil du kunne reprodusere samme analyse som sist om du tok frem igjen en gammel analyse? Vil to ulike personer transkribere og oppleve ett intervju likt? Inter-coder reliability vil en annen uavhengig person kunne komme frem til samme analyse som deg? Disse målene hjelper oss med å bygge sporbarhet og troverdighet øker sjansen for å forstå brukeren øker sjansen for å design en brukbar løsning 36

37 Definisjoner: - Hawthorne-effekt Hawthorne-effekten Eksempel på observasjonsbias Hawthorne-effekten: Det å bli undersøkt i seg selv frembringer atferdsendringer hos den som blir undersøkt Lettere sagt: folk har tendenser til oppføre seg annerledes når de vet de blir observert Kan skyldes flere forhold, men som regel at den som undersøkes ønsker å komme bedre/mer positivt ut av undersøkelsen Kan være vanskelig for den som observerer å oppdage 37

38 Hva kan vi undersøke med kvalitativ analyse? (1) Hvordan vi gjør analysen avhenger som regel av slags svar er vi på jakt etter Eksempler på fenomener eller forhold som vi kan undersøke med kvalitativ analyse: Hvorfor mennesker oppfører seg som de gjør Hvordan menneskers meninger og holdninger formes Hvordan mennesker påvirkes av sine omstendigheter Hvordan og hvorfor menneskers kultur utvikler seg Hvilke forskjeller som finnes mellommenneskelige sosiale grupperinger 38

39 Hva kan vi undersøke med kvalitativ analyse? (2) Fler eksempler på fenomener eller forhold som kan undersøkes med kvalitativ analyse: Utlede behov og krav! Utforske og identifisere ulike konsepter eller perspektiver Utforske «implementability» egnethet Forstå ekte fenomener Sensitive forhold hvor fleksibilitet trengs for å unngå ukomfortable situasjoner 39

40 Tilnærminger til kvantitativ analyse Det finnes mange tilnærminger til kvalitativ analyse som igjen stammer fra ulike fagdisipliner: Diskursanalyse Innholdsanalyse Konversasjonsanalyse Narrativ analyse Men disse alene forteller oss ingenting om metoder, teknikker eller verktøy anvendt for å gjennomføre analysen Selv om vi ikke opererer med absolutte sannheter er det viktig å være presis i beskrivelse av prosedyre og gjennomføring 40

41 Kvantitativ analyse kan være komplekst! (I. Dey, 1993) 41

42 Innholdsanalyse Definisjoner: - Innholdsanalyse - Grunnleggende- - Fortolkende- Et begrep som kan ha to betydninger: Et generelt begrep som brukes for å angi at vi ønsker å analysere innholdet i en transkripsjon En konkret begrep som beskriver en teknikk som involverer at vi teller forekomsten av ord, uttrykk, konsepter etc. Vi har to nivåer av innholdsanalyse: Grunnleggende: deskriptiv og manifesterende gjengivelse av det som ble sagt eller gjort Fortolkende: latent og relasjonell tolkning av det bakenforliggende for det som ble sagt eller gjort Inkluderer kategorisering av data (f.eks. verbal data eller videoopptak) Involverer som regel at vi koder og deretter klassifiserer dataen vår 42

43 Enkel fremgangsmåte på innholdsanalyse (starter med et ferdig transkribert intervju) 1. Les transkribering og marker ut interessant og relevant informasjon (utsagn, observasjoner) 2. Lag en liste over de ulike typene informasjon du har markert ut 3. Kategoriser elementene i listen 4. Identifiser relasjoner, mønstre, sammenhenger (temaer) 5. Sammenlign likheter og ulikheter mellom kategoriene (har man intervjuet flere personer kan man gjenta prosessen for alle deltakere) 43

44 Hvordan gjøre innholdsanalyse? Det finnes mange måter å analysere innhold på, men i dette kurset fokuserer vi på følgende fire: Åpen koding Aksiell koding Tematisk analyse Affinity diagram 44

45 Definisjoner: - Koding Koding Koding er en prosess som kombinerer ulike deler av dataen Vi kan kombinere data basert på temaer, ideer, nøkkelord og kategorier Vi markerer som regel i teksten med ulike "tags" slik at det er lett å separere Kan enkelt finnes frem igjen for videre sammenlikning og analyse Som regel tekstutdrag, men kan også være lyd-, video-, eller bildeutdrag Helt sentral i metodologien Grounded Theory 45

46 Åpen koding Definisjoner: - Åpen koding - Induktiv analyse Første nivå av koding hvor vi linje-for-linje leter etter distinkte kategorier Induktiv analyse vi går fra spesifikke og konkrete observasjoner til brede generaliseringer (praksis danner grunnlag for teori) Sentrale spørsmål: "Hva handler dette egentlig om?" og "Hva refereres det til her?" Involverer typisk å bryte opp dataen i generelle hovedkategorier med ett nivå av underkategorier Innhold relatert til like kategorier farges ofte i like farger Resulterer typisk i 3-5 ulike farger som angir ulike kategorier 46

47 Aksiell koding Definisjoner: - Aksiell koding - Deduktiv analyse Andre nivå av koding som gjøres etter at man har utledet kategorier eller konsepter gjennom åpen koding Deduktiv analyse vi undersøker om våre generelle antagelser også gjelder for det konkrete observasjoner (teori sjekkes mot praksis) Sentrale spørsmål: "Hvordan henger de ulike kategoriene sammen?" og "Hva forårsaket kategoriene og hva er konsekvensene?" Man tar utgangspunkt i kategoriene man utledet og leser gjennom teksten på nytt én akse (kategori) om gangen Bruddstykker (kategorier) fra åpen koding undersøkes nå enda nærmere for å avdekke: Relasjoner mellom ulike kategorier Relasjoner mellom hovedkategorier og underkategorier Andre viktige forhold for å forstå kategorien: betingelser, kontekster, handlinger, strategier, konsekvenser 47

48 Definisjoner: - Tematisk analyse Tematisk analyse En metode som identifiserer, analyserer og rapporterer mønstre (temaer) i et datasett Krever som regel at vi har en idé om hvilket fenomen eller forhold vi ønsker å undersøke Et tema kan defineres som momenter i dataen som: 1. Er viktige i forhold til problemstillingen 2. Representerer en grad av mønster i datasettet Tematisk analyse har ofte en forhåndsdefinert prosedyre bestående av seks faser: 1. Bli kjent med datasettet 2. Generer innledende koder 3. Søk etter temaer 4. Gjennomgå temaene 5. Definer og navngi temaene 6. Produser en rapport 48

49 Tematisk analyse 49

50 Tematisk analyse 50

51 Definisjoner: - Affinity diagram Affinity diagram En teknikk for å systematisere et mangfold av innsikter og ideer Individuelle innsikter og ideer organiseres i et hierarki som viser felles strukturer og temaer Stammer fra prosjekthåndtering og businessverden Brukes også til å oppsummere brainstorming-aktiviteter eller verbale aktiviteter Standard prosedyre for å gjøre affinity diagramming: 1. Går ut på å notere alle innsikter og ideer på kort eller lapper 2. Man ser så etter ideer som ser ut til å høre sammen 3. Man sorterer kortene/lappene i grupper til alle lappene er brukt 51

52 52

53 53

54 54

55 55

56 56

57 Definisjoner: - Funn Presentere funn Funn er relasjoner, mønstre, sammenhenger (temaer) vi har oppdaget gjennom analysen VIKTIG: å kalle noe for funn krever at vi har gjort en faktisk analyse, det holder ikke å bare synse, vi må faktisk undersøke Kan presenteres som: Liste over funn Tabell Grafisk fremstilling av data Diagrammer (f.eks. gigamaps, customer journey maps etc.) Vi kan forsterke funn ved å vise til: Bilder, videoer, lyd og andre opptak Sitater og utsagn Historier og eksempler 57

58 Eksempler på verktøy for analyse Det finnes masse ulike verktøy for ulike formål og preferanser ved analyse og koding CAQDAS (computer-assisted qualitative data analysis software): Atlas.ti, NVivo, CAT, QDA Miner, Qualrus, MAXQDA etc. Nødvendighet når datasettene blir store og uoversiktlige Viktig med sporbarhet som kan inspiseres av andre i ettertid i forskningssammenheng kan dette bety andre forskere og i studiene kan det bety sensorene for prosjektarbeid Det er strenge regler for lagring av data, spesielt sensitive data hvor oppbevares dataen, hvem har tilgang etc. 58

59 Gå på gruppetimen denne uken! 59