UKE 4 Analyse. Plenum IN1050 Julie og Maria

Transkript

1 UKE 4 Analyse Plenum IN1050 Julie og Maria

2 Hva skjer i dag? Analyse - Hva er formålet med analyse? - Hva kan vi analysere? - Forskjellige typer analyse Praktisk eksempel

3

4 OBS! Dere får ikke mail om tilbakemeldinger i Devilry lenger

5 Datainnsamling Tjenestedesign Etikk og fagets historie Evaluering vol. 2 Repetisjon Introduksjon Krav og behov Utviklingsprosesser Designprinsipper Tangible interaction Analyse Design og prototyping Brukeropplevelser Evaluering vol. 1 Universell utforming

6

7 ANALYSE

8 Data Analyse Funn

9 Hva er formålet med analyse? - Etter en gjennomført datainnsamling sitter vi igjen med rådata. - Rådata kan eksempelvis være et transkribert intervju, observasjonsnotater eller data fra en evaluering. - Vi ønsker å trekke ut informasjon som er viktig og relevant for vår designprosess på en systematisk, reproduserbar og etterprøvbar måte. Funn: behov, krav, mønster, statistikk osv - For å oppnå en strukturert og systematisert behandling av innsamlet data, anvender man etablerte metoder for analyse.

10 KVANTITATIV ANALYSE VS. KVALITATIV ANALYSE

11 Forskjellige typer kvalitativ analyse Diskursanalyse Narrativ analyse Konversjonsanalyse Innholdsanalyse

12 Innholdsanalyse

13 Hva er innhold i innholdsanalyse? Vi har to typer innhold: - Media-innhold (media content) alt av materiale i printede publikasjoner, kringkastning, nettsider, film, fotografi osv. - Publikums-innhold (audience content) data som indirekte eller direkte er samlet inn fra et publikum (deltagere) eksempelvis data fra spørreundersøkelser, intervju, fokusgrupper, dagbøker, observasjoner osv. I dette kurset har vi fokus på analyse av data vi selv samler inn fra brukere, altså publikums-innhold.

14 Hva kan vi analysere?

15 KVALITATIV ANALYSE KODING - Koding er første steg i innholdsanalysen - Analyserer data basert på temaer, ideer, nøkkelord og/eller kategorier - Koding er en prosess som kombinerer ulike deler av dataen - Kategoriserer dem med ulike merkelapper (tags) (litt som prinsippet hashtags har i sosiale medier) Datainnsamling Transkribering Åpen koding (induktiv) Aksiell koding (deduktiv)

16 ÅPEN KODING VS. AKSIELL KODING

17 Induktivt - Hva handler dette egentlig om? Foregår typisk gjennom å dele dataen opp i generelle hovedkategorier med ett nivå av underkategorier. Praksis danner grunnlag for teori ÅPEN KODING VS. AKSIELL KODING Deduktivt - Hvordan henger kategoriene sammen? Tar utgangspunkt i kategoriene man har lagd for å se om antakelsene gjelder for flere observasjoner. Teori sjekkes mot praksis

18 KVALITATIV ANALYSE TEMATISK ANALYSE - En form for innholdsanalyse hvor man identifiserer mønstre i et datasett - Må ha en sammenheng i forhold til hva vi ønsker å undersøke - Man bruker 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. Definere og navngi temaene 6. Produsere en rapport

19 PRAKTISK EKSEMPEL TEMATISK ANALYSE - Prosjekt fra kurset INF Informasjonsteknologi og samfunn Vi ville undersøke hvorfor medlemmer av Facebook filtrerer kontakter, samt hvilke holdninger de har til personaliserte tjenester - Datainnsamlingsmetode Intervju og spørreundersøkelse - Metode for analyse Tematisk innholdsanalyse

20 PRAKTISK EKSEMPEL TEMATISK ANALYSE For å kode dataene benyttet vi åpen koding, og ga stikkordsbetegnelser til alle de ulike grunnene for filtrering respondentene hadde oppgitt... vi grupperte deretter disse med lignende svar. Ved å finne samlende overskrifter og gruppere de innledende kodene begynte vi å utvikle nye kategorier. Gjennom gjentatte, systematiske gjennomganger av datasettet i lys av kategoriene og kodene våre utviklet vi gradvis et sett med temaer som representerte innholdet i datasettet vårt (Utdrag fra rapport. H. Bråthen, S. Hoberg, J. Hagen Nilsen og K. Røyneland, 2017, Sosiale medier og filtrering på internett )

21

22

23 KVALITATIV ANALYSE AFFINITY DIAGRAM - Et verktøy/teknikk/metode man kan bruke i kvalitativ analyse - Innsikt og ideer organiseres i et hierarki - Lager overordnede kategorier som man grupperer funnene under - Kan brukes til brainstorming og andre verbale aktiviteter

24 Utfordringer med kvalitativ analyse Generalisering Hva er egentlig sant? Subjektivitet Bias

25 KVALITATIV ANALYSE BIAS? - Bias Skjevhet som gjør at dataen ikke stemmer med virkeligheten. - Hawthorne effekten Et eksempel på observasjonsbias - folk har en tendens til å oppføre seg annerledes når de vet at de blir observert. - Intra-coder reliability Stabilitet koder samme person likt gjennom hele kodeprosessen? - Inter-coder reliability Reproduserbarhet koder forskjellige personer det samme datasettet på samme måte?

26 PRAKTISK EKSEMPEL

27 Praktisk eksempel: Forbedre informasjon ved togreise

28 FORBEDRE INFORMASJON VED TOGREISE HIERARKISK OPPGAVEANALYSE 1. Ta toget 1. 1 Finne togtider 1.2 Kjøpe billett 1.3 Gå på toget 1.4 Sitte og vente 1.6 Gå av toget Få informasjon om neste stoppested

29 FORBEDRE INFORMASJON VED TOGREISE INTERVJUPLAN OG INTERVJUGUIDE Intervjuguide Innledning... Oppvarming - Hvor ofte tar du tog? - Når tar du tog? Hoveddel - Hva gjør du når du sitter på toget? - Hva synes du om kvaliteten på informasjonen du får ombord? Avrunding... Avslutning... Intervjuplan Lokasjon: Mellom-blokka rom 104 Deltakere:.. Praktiske hensyn:.

30 FORBEDRE INFORMASJON VED TOGREISE UTDRAG FRA TRANSKRIBERING Hvor ofte tar du tog? Flere dager i uken. Hvor tar du tog? Flere ganger i uken til steder i Oslo-området. Ofte også til steder jeg ikke har vært før i forbindelse med jobb. Hva gjør du når du sitter på toget? Leser, jobber med arbeid på datamaskinen eller hører på musikk. Sitter ofte i stillevognen for å få ro. Hva synes du om kvaliteten på informasjonen du får ombord? Ganske ok. Av og til er det dårlig kvalitet på høyttaleranlegget, noe som gjør det vanskelig å forstå meldingene man får angående neste stasjon og liknende. Dersom jeg sitter på stillevognen er det ikke høyttalermeldinger i det hele tatt, noe som kan gjøre det vanskelig å vite når jeg skal gå av når jeg ikke har vært på destinasjonen før. Det samme gjelder jo også når jeg hører på musikk. Noen ganger ser jeg ikke at jeg er på riktig stasjon før jeg ser skiltet på perrongen og må da løpe ut av toget.

31 FORBEDRE INFORMASJON VED TOGREISE KODING AV KVALITATIV DATA Hva synes du om kvaliteten på informasjonen du får om bord? Ganske ok. Av og til er det dårlig kvalitet på høyttaleranlegget, noe som gjør det vanskelig å forstå meldingene man får angående neste stasjon og liknende. Dersom jeg sitter på stillevognen er det ikke høyttalermeldinger i det hele tatt, noe som kan gjøre det vanskelig å vite når jeg skal gå av når jeg ikke har vært på destinasjonen før. Det samme gjelder jo også når jeg hører på musikk. Noen ganger ser jeg ikke at jeg er på riktig stasjon før jeg ser skiltet på perrongen og må da løpe ut av toget.

32 FORBEDRE INFORMASJON VED TOGREISE KRAV OG BEHOV Behov - Behov for forflytning - Behov for informasjon - Behov for underholdning Stikkord fra intervjuet - dårlig kvalitet på høyttaleranlegget - vanskelig å forstå meldingene - ikke høyttalermeldinger - vanskelig å vite når jeg skal gå av - også når jeg hører på musikk Funksjonelle krav - Systemet skal gi informasjon om holdeplasser/stasjoner - Systemet må kunne kommunisere til bruker uten lyd Ikke-funksjonelle krav - Systemet skal følge retningslinjer for universell utforming

33 FORBEDRE INFORMASJON VED TOGREISE HIERARKISK OPPGAVEANALYSE 1. Ta toget 1. 1 Finne togtider 1.2 Kjøpe billett 1.3 Gå på toget 1.4 Sitte og vente 1.6 Gå av toget Få informasjon om neste stoppested

34 FORBEDRE INFORMASJON VED TOGREISE PERSONAS Navn: Kari Alder: 30 år Yrke: Fysioterapaut Stikkord: reiser med tog av og til, liker å høre på musikk på toget Navn: Jan Alder: 45 år Yrke: It-konsulent Stikkord: pendler, aktiv golfspiller, døv

35 FORBEDRE INFORMASJON VED TOGREISE SCENARIO Kari skal reise med toget til Hamar i forbindelse med jobb. Oslo - Hamar er en rute hun ikke har tatt før. Hun hører på musikk mens toget suser avgårde. Kari ser ut av vinduet og legger merke til at toget nå er på Lillehammer stasjon. Det var rart, tenker Kari, Lillehammer er vel etter Hamar? Kari har rett. Hun har ikke fått med seg høyttaler-meldingen om neste stoppested og har dermed tatt toget et stopp for langt.

36 FORBEDRE INFORMASJON VED TOGREISE VIDERE ARBEID Design og prototyping (kommer i uke 7)

37 Spørsmål?

38 SEES PÅ SUNDVOLLEN

39 Takk for i dag Neste uke: Utviklingsprosesser Lurer du på noe? Send oss en mail! Maria: mlstolin@ifi.uio.no Julie: juliehni@ifi.uio.no