Empirische Forschung

„Empirische Forschung ist die systematische Erfassung und Deutung sozialer/gesundheitsbezogener Tatbestände“

Systematisches Erfassen:

Anwendung methodischer Verfahren zur Erhebung sozialer/gesundheitsbezogener Daten

Tatbestände:

Überprüfung und Entwicklung von Theorien und Hypothesen über menschliches Verhalten in sozialen/ gesundheitsspezifischen Kontexten

Deutung:

Für Erkenntnisgewinn (Forschungsziel), müssen die erfassten Daten analysiert und interpretiert werden.

1. Forschungsthema und Forschungsproblem: Am Anfang steht die Suche nach einem relevanten Thema und die Präzisierung einer wissenschaftlichen Fragestellung.

2. Forschungsstand und Theoretischer Hintergrund: Der aktuelle Forschungsstand wird gesichtet, um die Untersuchung theoretisch zu fundieren und Hypothesen abzuleiten.

3. Untersuchungsdesign: Festlegung der Strategie (z. B. Experiment, Querschnittsstudie oder Fallstudie) und Auswahl der Variablen.

4. Stichprobenziehung: Es wird festgelegt, wie die Teilnehmenden ausgewählt werden

5. Datenerhebung: Die systematische Sammlung der Informationen erfolgt durch Methoden wie Befragungen, Beobachtungen oder Messungen.

6. Datenaufbereitung: Die Rohdaten werden organisiert

7. Datenanalyse: Daten werden interpretativ qualitativ ausgewertet, um Muster zu erkennen.

8. Hypothesen- und Theoriebildung: Die Ergebnisse werden vor dem Hintergrund der Theorie gedeutet.

9. Ergebnispräsentation: Abschließend werden die Erkenntnisse dokumentiert und veröffentlicht, um sie der Fachwelt zugänglich zu machen.

Qualitative Prozess zirkulär. Das bedeutet, dass Stichprobenziehung, Erhebung und Analyse oft parallel verlaufen und sich gegenseitig beeinflussen.

1. Forschungsthema und Forschungsproblem: Am Anfang steht die Suche nach einem relevanten Thema und die Präzisierung einer wissenschaftlichen Fragestellung. (Meist nach PICO)

2. Forschungsstand und Theoretischer Hintergrund: Der aktuelle Forschungsstand wird gesichtet, um die Untersuchung theoretisch zu fundieren und Hypothesen abzuleiten.

3. Untersuchungsdesign: Festlegung der Strategie (z. B. Experiment, Querschnittsstudie oder Fallstudie) und Auswahl der Variablen.

4. Operationalisierung: Abstrakte Begriffe werden in messbare Merkmale umgewandelt

5. Stichprobenziehung: Es wird festgelegt, wie die Teilnehmenden ausgewählt werden

6. Datenerhebung: Die systematische Sammlung der Informationen erfolgt durch Methoden wie Befragungen, Beobachtungen oder Messungen.

7. Datenaufbereitung: Die Rohdaten werden organisiert

8. Datenanalyse: Daten werden interpretativ statistisch ausgewertet, um Hypothesen zu prüfen.

9. Ergebnispräsentation: Abschließend werden die Erkenntnisse dokumentiert und veröffentlicht, um sie der Fachwelt zugänglich zu machen.

-> Linearer Prozess

-> Standartisieres Vorgehen

-> Jeder Schritt wird geplant

Eine Variable (oder auch Merkmal genannt) ist eine an einer statistischen Einheit (z. B. einer Person) untersuchte Eigenschaft. Jede Variable besitzt mindestens zwei verschiedene Ausprägungen (Merkmalswerte), denen numerische Eigenschaften zugeordnet werden. Man unterscheidet dabei verschiedene Typen:

• Abhängige Variable (AV): Die Variable, die sich durch den Einfluss einer anderen Variable verändert und das eigentliche Ergebnis (Outcome) darstellt.

• Unabhängige Variable (UV): Die Variable, die als Ursache für einen Effekt angesehen wird (z. B. eine Therapieform).

• Kovariablen:

  • wenn in die Datenanalyse einfließt -> Kontrollvariable

  • wenn Kovariable nicht berücksichtigt wird -> potenzielle Störvariable

• Qualitative vs. Quantitative Variablen: Qualitative Variablen ordnen Objekte Kategorien zu (z. B. Geschlecht), während quantitative Variablen eine Zuordnung nach der Größe erlauben (z. B. Alter).

• Skalenniveaus: Variablen werden nach ihrer mathematischen Qualität in nominal-, ordinal-, intervall- oder verhältnisskaliert unterteilt

Eine Hypothese ist eine provisorische Antwort auf ein wissenschaftliches Problem. Sie muss bestimmte Kriterien erfüllen:

• Sie ist empirisch Überprüfbar,

• ist allgemeingültig (generalisierbar)

• muss als Konditionalsatz („Wenn-dann“ oder „Je-desto“) formuliert sein

• muss sie potenziell falsifizierbar(widerlegbar) und widerspruchsfrei sein.

In der Statistik arbeitet man mit einem Hypothesenpaar:

• Nullhypothese (H0): Postuliert, dass kein Unterschied, Zusammenhang oder Effekt in der Population besteht.

• Alternativhypothese (H1): Beschreibt den eigentlich vermuteten Effekt oder Unterschied.

Die Population (auch Grundgesamtheit genannt) ist die gesamte Klasse oder Gruppe von Individuen, Objekten oder Ereignissen, über die eine wissenschaftliche Aussage getroffen werden soll. Sie muss vor Beginn einer Untersuchung genau definiert werden, um festzulegen, auf wen die Ergebnisse später bezogen werden können.

Die Stichprobe ist eine Teilmenge der Population, also die Menge der statistischen Einheiten, die im Rahmen einer Erhebung tatsächlich untersucht werden. Damit die Ergebnisse der Stichprobe auf die gesamte Population übertragen werden können (induktiver Rückschluss), sollte die Stichprobe repräsentativ sein, was idealerweise durch eine Zufallsauswahl erreicht wird. Da es sich nur um einen Ausschnitt der Realität handelt, besteht beim Rückschluss von der Stichprobe auf die Grundgesamtheit immer eine gewisse Unsicherheit (Irrtumswahrscheinlichkeit)

Übergeordnete Arten von Forschungsdesign:

• Theoretisch-konzeptionell

• Empirisch-qualitativ

• Empirisch-quantitativ

Qualitativ

Quantitativ

Mixed Methods

• Methodenkombination: Verbindet qualitative und quantitative Forschungsphasen innerhalb einer Studie. Ziel ist es, die Stärken beider Ansätze zu nutzen und deren jeweilige Schwächen auszugleichen

Quantitative Studiendesigns

Diese dienen primär dem Erklären von Ursache-Wirkungs-Zusammenhängen und dem Testen von Hypothesen.

• Querschnittsstudie: Eine einmalige „Momentaufnahme“ zu einem definierten Zeitpunkt, um die Häufigkeit eines Ereignisses (z. B. Prävalenz einer Krankheit) zu untersuchen.

• Längsschnittstudie (Longitudinalstudie): Untersuchung von Wandlungs- oder Veränderungsprozessen über mehrere Messzeitpunkte hinweg. Sie können prospektiv (in die Zukunft gerichtet) oder retrospektiv (rückblickend) sein.

• Beobachtungsstudien:

  • Kohortenstudie: Beobachtung von Gruppen mit oder ohne bestimmte Risikofaktoren über die Zeit, um das Auftreten von Erkrankungen zu erfassen.

  • Fall-Kontroll-Studie: Retrospektiver Vergleich von bereits erkrankten Personen („Fälle“) mit gesunden Personen („Kontrollen“), um mögliche Ursachen zu identifizieren.

• Interventionsstudien:

  • Randomized Controlled Trial (RCT): Der Goldstandard; Teilnehmende werden zufällig (randomisiert) einer Interventions- oder Kontrollgruppe zugeteilt, um die Wirksamkeit einer Therapie zu prüfen.

  • Kontrollierte klinische Studie (CCT): Wie ein RCT, jedoch erfolgt die Gruppenzuteilung nicht zufällig.

• Review / Meta-Analyse: Systematische Zusammenfassung und statistische Auswertung der Ergebnisse bereits vorhandener Primärstudien.

Qualitative Forschungsansätze

Diese zielen auf das „Sinnverstehen“ und das Abbilden subjektiver Perspektiven von Betroffenen in ihrem natürlichen Kontext ab.

• Ethnografischer Ansatz: Fokus auf das Verständnis kulturellen Handelns, Praktiken und Ritualen innerhalb von Gruppen (z. B. in einer Klinik).

• Phänomenologischer Ansatz: Untersuchung der Frage, wie Einzelne die Welt erleben und ihr einen Sinn geben (subjektive Erfahrungen, z. B. Leben mit einer chronischen Krankheit).

• Grounded Theory: Ein induktives Verfahren, bei dem aus der systematischen Analyse der Daten heraus neue Theorien über soziale Phänomene entwickelt werden.

Um eine präzise wissenschaftliche Fragestellung zu formulieren, die auf Messwerten basiert, wird in den Gesundheitswissenschaften meist das PICO-Modell verwendet:

• P (Population): Definition der Gruppe (z. B. "Patienten mit chronischem Nackenschmerz").

• I (Intervention): Die untersuchte Maßnahme (z. B. "8-wöchiges spezifisches Training").

• C (Comparison): Die Vergleichsgruppe (z. B. "allgemeines Kräftigungsprogramm").

• O (Outcome): Der Zielparameter, der in Zahlen gemessen wird (z. B. "Schmerzintensität auf einer Skala" oder "Bewegungsausmaß in Grad").

• T (Time)

4. Transformation in Hypothesen

Aus einer Fragestellung wird eine statistische Hypothese abgeleitet, die den erwarteten Unterschied oder Zusammenhang in Zahlen ausdrückt:

• Nullhypothese (H0): Postuliert, dass es keinen Unterschied oder Effekt gibt (z. B. „Die Mittelwerte der Schmerzreduktion sind in beiden Gruppen gleich“).

• Alternativhypothese (H1): Postuliert den vermuteten Effekt (z. B. „Gruppe A zeigt eine signifikant höhere Schmerzreduktion als Gruppe B“).

Zusammenfassend lässt sich sagen: Eine quantitative Fragestellung verlangt nach standardisierten Messinstrumenten, um "harte", replizierbare Daten zu gewinnen, die mittels statistischer Verfahren (wie Mittelwerten oder p-Werten) ausgewertet werden können

Operationalisierung: Von der Idee zum Messwert

Damit eine Fragestellung quantitativ untersuchbar ist, müssen abstrakte Merkmale in messbare Größen (Variablen) umgewandelt werden.

• Abhängige Variable (AV)

• Unabhängige Variable (UV)

• Messvorgang: Objekten werden nach festen Regeln Zahlen zugeordnet (z. B. 0 = weiblich, 1 = männlich oder konkrete Werte wie das Körpergewicht in kg).

Datenskalierung

Nicht jede Zahl in einer Fragestellung hat die gleiche mathematische Bedeutung. Man unterscheidet verschiedene Skalenniveaus, die bestimmen, welche statistischen Analysen möglich sind:

Kategoriale Variablen

• Binar: nur 2 Kategorien (Bsp. Tot/lebendig)

• Nominal: mehr als 2, Reine Kategorien ohne Rangfolge (z. B. Blutgruppe oder Geschlecht).

• Ordinal: Werte mit Rangfolge, aber unklaren Abständen (z. B. Schulnoten oder eine Schmerzskala von leicht bis stark).

Metrische Variablen

• Intervall: Konkrete Messwerte mit gleichen Abständen (z. B. Temperatur in °C ), kein absoluter Nullpunkt, 2 willkürliche Momente -> Intervallgröße (Maßeinheit) und Wahl des Nullpunktes

• Verhältnis: Gleichheit von Verhältnis, absoluter Nullpunkt, erlaubt Aussagen über Größenverhältnisse (Bsp. physikalische Größen, wie Länge, Größe oder Gewicht)

Die deskriptive (beschreibende) Statistik hat das Ziel, erhobene Daten einer Stichprobe mithilfe von Kennwerten, Tabellen und Grafiken übersichtlich darzustellen und zusammenzufassen. Dabei wird die oft große Datenmenge reduziert, um die wesentlichen Merkmale eines Datensatzes anschaulich aufzubereiten.

Man unterscheidet grundlegend zwischen univariater und bivariater deskriptiver Statistik.

Wichtige Faustregeln für die Anwendung

Die Wahl der statistischen Maße hängt maßgeblich vom Skalenniveau der Variablen ab:

• Nominal-/Ordinalskala: Hier nutzt man vor allem Häufigkeiten, Prozente und den Modus. Ab Ordinalniveau ist auch der Median sinnvoll.

• Intervall-/Verhältnisskala (metrisch): Hier können zusätzlich Mittelwert, Standardabweichung und Korrelationskoeffizienten nach Pearson berechnet werden.

• Bei normalverteilten (symmetrischen) Daten berichtet man meist Mittelwert und SD; bei schiefen Verteilungen oder Ausreißern sind Median und IQR besser geeignet.

Hierbei wird jedes Merkmal (Variable) einzeln betrachtet. Die Beschreibung erfolgt über drei Hauptaspekte:

• Maße der zentralen Tendenz (Lageparameter): Sie kennzeichnen, welcher Wert die Stichprobe am besten charakterisiert.

  • Mittelwert (Arithmetisches Mittel): Die Summe aller Werte dividiert durch deren Anzahl. Er ist sehr sensitiv gegenüber Ausreißern.

  • Median (Md): Der Wert, der die sortierten Daten in zwei Hälften teilt (50 % der Werte sind kleiner, 50 % größer). Er ist robust gegenüber untypischen Beobachtungen.

  • Modus: Der am häufigsten vorkommende Wert.

• Streuungsmaße (Dispersionsparameter): Sie geben an, wie unterschiedlich die Individuen bezogen auf ein Merkmal sind.

  • Standardabweichung (SD): Die durchschnittliche Abweichung der Werte vom Mittelwert.

  • Varianz (s2): Die Summe der quadrierten Abweichungen vom Mittelwert dividiert durch die Anzahl der Werte.

  • Interquartilsbereich (IQR): Der Bereich der mittleren 50 % der Daten (Differenz zwischen dem 75 %- und dem 25 %-Quartil). Er wird oft zusammen mit dem Median berichtet.

  • Spannweite (Range): Die Differenz zwischen dem größten und dem kleinsten Wert.

• Häufigkeiten und Verteilungen:

  • Daten werden oft als absolute Häufigkeit oder relative Häufigkeit (Prozentwerte) in Tabellen oder Diagrammen (z. B. Balkendiagrammen oder Histogrammen) dargestellt.

Diese untersucht die Beziehung oder den Zusammenhang zwischen zwei Variablen.

• Korrelationen: Sie geben die Stärke und Richtung eines Zusammenhangs an (Wertebereich von -1 bis +1).

  • Pearson-Korrelation (r): Für lineare Zusammenhänge zwischen metrischen Variablen.

  • Spearman-Rangkorrelation (rs​): Für mindestens ordinalskalierte Daten oder bei verletzter Normalverteilung.

• Risikomaße (in den Gesundheitswissenschaften):

  • Relatives Risiko (RR): Verhältnis der Wahrscheinlichkeiten eines Ereignisses in zwei verschiedenen Gruppen.

  • Odds Ratio (OR): Das Quotenverhältnis, das angibt, wie stark ein Merkmal mit einem anderen zusammenhängt.

Der Hauptunterschied zwischen einer Interventions- und einer Kontrollgruppe liegt in der Behandlung, die die Teilnehmenden während einer Studie erfahren. Diese Gruppeneinteilung ist ein grundlegendes Merkmal von kontrollierten klinischen Studien (wie RCTs oder CCTs), um die Wirksamkeit einer Maßnahme wissenschaftlich zu belegen.

Hier sind die Details zu beiden Gruppen:

1. Die Interventionsgruppe (auch Untersuchungsgruppe oder Experimentalgruppe)

• Definition: In dieser Gruppe wird die eigentliche zu untersuchende Maßnahme durchgeführt.

• Inhalt: Die Teilnehmenden erhalten die neue Therapieform, das Medikament oder das spezifische Training (z. B. eine Fangobehandlung oder ein spezielles Übungsprogramm), deren Effekt erforscht werden soll.

• Ziel: Es soll beobachtet werden, wie sich die abhängige Variable (das Outcome, z. B. die Schmerzintensität) durch den Einfluss der unabhängigen Variable (die Intervention) verändert.

2. Die Kontrollgruppe (Vergleichsgruppe)

• Definition: Sie dient als Referenzmaßstab, um festzustellen, ob die Veränderungen in der Interventionsgruppe tatsächlich auf die Behandlung zurückzuführen sind.

• Inhalt: Die Teilnehmenden dieser Gruppe erhalten entweder:

  • Keine Therapie (Warteliste).

  • Eine Placebo- oder Scheinbehandlung (Sham-Intervention).

  • Eine Standardbehandlung (Conventional Care), um zu prüfen, ob die neue Methode besser ist als das bisherige Vorgehen.

• Ziel: Sie ermöglicht den Ausschluss von Störfaktoren oder natürlichen Heilungsverläufen, die das Ergebnis verfälschen könnten.

Das Prinzip der induktiven Statistik (auch schließende Statistik genannt) besteht darin, auf Basis von Daten aus einer Stichprobe allgemeingültige Rückschlüsse auf die dahinterstehende Grundgesamtheit (Population) zu ziehen. Während die deskriptive Statistik Daten lediglich zusammenfasst und beschreibt, dient die induktive Statistik dazu, die Brauchbarkeit wissenschaftlicher Hypothesen an der beobachteten Realität objektiv zu prüfen.

Der Kernprozess der induktiven Statistik lässt sich wie folgt beschreiben:

• Hypothesenpaar: Vor der Analyse wird ein Paar aus Nullhypothese (H0​) und Alternativhypothese (H1​) gebildet. Die H0​ beschreibt meist den Zustand „kein Unterschied“ oder „kein Effekt“, während die H1​ den eigentlich vermuteten Zusammenhang postuliert. (z.B. “Physiotherapie hat keinen Einfluss auf Rückenschmerzen”)

• Signifikanzniveau (α): Es wird eine Grenze für die akzeptable Irrtumswahrscheinlichkeit festgelegt, die in den Sozial- und Gesundheitswissenschaften üblicherweise bei 5 % (0,05) liegt. Dies ist das Risiko, sich fälschlicherweise für die H1​ zu entscheiden, obwohl in der Population die H0​ gilt.

• Der p-Wert: Mithilfe statistischer Testverfahren (wie dem t-Test) wird der p-Wert berechnet, der angibt, wie gut die beobachteten Daten mit der Nullhypothese vereinbar sind. Je kleiner der p-Wert ist, desto mehr Evidenz spricht gegen die H0​.

• Entscheidung: Liegt der p-Wert unter dem Signifikanzniveau (p<0,05), wird die Nullhypothese abgelehnt und die Alternativhypothese angenommen.

Ein wesentliches Merkmal der induktiven Statistik ist, dass sie keine 100%ige Sicherheit bietet. Da man nur einen Teil der Realität untersucht, bleibt immer ein Restrisiko für eine Fehlentscheidung (Irrtumswahrscheinlichkeit) bestehen. Zudem folgt sie dem Prinzip der Falsifikation: Eine Theorie kann durch Stichprobendaten nie endgültig bewiesen, sondern lediglich so lange beibehalten werden, bis sie durch neue Evidenz widerlegt wird.

In der qualitativen Forschung werden Forschungsfragen so formuliert, dass sie ein tiefes Verständnis von Erfahrungen, Wahrnehmungen und Verhaltensweisen in ihrem natürlichen Kontext ermöglichen. Im Gegensatz zu quantitativen Fragen, die oft auf Messung und Kausalität zielen, sind qualitative Fragen offen und weit gestaltet.

Hier sind die zentralen Aspekte der Formulierung:

1. Strukturierung durch das SPIDER-Schema

Zur präzisen Formulierung qualitativer Forschungsfragen wird häufig das SPIDER-Modell verwendet (analog zum PICO-Framework in der quantitativen Forschung):

• S (Sample): Definition der Zielgruppe (z. B. junge Mütter im Alter von 17–27 Jahren).

• PI (Phenomenon of Interest): Das untersuchte Phänomen (z. B. Erfahrungen in der Geburtsvorbereitung).

• D (Design): Die geplante Methode (z. B. Interviews oder Gruppendiskussionen).

• E (Evaluation): Welche subjektiven Outcomes werden betrachtet (z. B. Einstellungen, Erwartungen oder erlernte Fähigkeiten).

• R (Research type): Festlegung auf ein qualitatives Forschungsdesign.

2. Art der Fragestellung

• W-Fragen: Es werden typischerweise offene Fragen nach dem Was, Wie und Warum gestellt. Beispielsweise: „Warum agiert Person XY auf diese Weise?“.

• Zielsetzung: Die Fragen dienen der Exploration (Entdecken unbekannter Voraussetzungen), der Beschreibung oder der Erklärung komplexer Phänomene.

• Fokus auf Subjektivität: Die Frage sollte darauf ausgerichtet sein, die Sicht der Betroffenen und deren Lebenswelt abzubilden.

3. Iterativer Prozess und Offenheit

• Flexibilität: Qualitative Forschungsfragen sind zu Beginn oft vorläufig.

• „Fine-Tuning“: Basierend auf dem laufenden Forschungsprozess kann die Fragestellung im Sinne eines iterativen Designs präzisiert, modifiziert oder um weitere Fragen ergänzt werden.

• Theorie als Linse: Bestehende Theorien können als „theoretische Linse“ fungieren, die dabei hilft, die Forschungsfrage zu fokussieren und die Aufmerksamkeit auf bestimmte Aspekte des Phänomens zu lenken.

Beispiel für eine qualitative Forschungsfrage:

• „Welchen Einfluss hat das Thema ‚Akademisierung der Therapieberufe‘ in Bezug auf das Rollenverständnis des eigenen Berufsstands im Gesundheitssystem?“

In der qualitativen Forschung werden primär nicht-standardisierte, sinnverstehende Verfahren eingesetzt, um detaillierte Informationen über subjektive Perspektiven und komplexe Phänomene zu gewinnen.

Die wichtigsten Verfahren zur qualitativen Datenerhebung lassen sich in folgende Kategorien unterteilen:

1. Qualitative Befragung (Interviews)

Dies ist ein zentrales Verfahren, um subjektive Sichtweisen über vergangene Ereignisse, Meinungen oder Erfahrungen zu erfassen. Es gibt zahlreiche Varianten:

• Leitfadengestützte (semistrukturierte) Interviews: Fragen orientieren sich an einem vorbereiteten Leitfaden, bleiben aber flexibel im Gesprächsverlauf.

• Narrative Interviews: Der Befragte wird durch einen Erzählanstoß zu freien Berichten über Lebenssepisoden angeregt.

• Expert:innen-Interviews: Befragung von Personen mit spezifischem Sonderwissen in einem Bereich.

• Weitere Spezialformen: Hierzu zählen unter anderem das biografische Interview, die Deutungsanalyse, das Tiefeninterview sowie das Verfahren des „Lauten Denkens“.

2. Qualitative Beobachtung

Hierbei werden Phänomene in ihrem natürlichen Lebensumfeld studiert. Ein wesentliches Element ist oft die teilnehmende Beobachtung. Je nach Rolle des Forschenden wird unterschieden:

• Vollständige Teilnahme: Der Forscher agiert als „Insider“.

• Aktive Teilnahme: Detaillierte Beobachtung bei gleichzeitiger Mitwirkung.

• Moderate Teilnahme: Rolle als Forscher ohne aktive Mitwirkung.

• Vollständige Beobachtung: Reine Beobachtung ohne Interaktion.

3. Qualitative Gruppenbefragungen

Diese Verfahren nutzen die Gruppendynamik, um Denkprozesse zu stimulieren oder ein breites Meinungsspektrum abzubilden:

• Gruppendiskussion / Focus-Group-Discussion: Diskussion eines Themas in einer Gruppe mit ähnlichem Hintergrund zur Exploration von Wahrnehmungen oder Evaluation von Programmen.

• Gruppeninterview: Mehrere Personen werden gleichzeitig anhand eines Leitfadens befragt.

• Weitere Methoden: Brainstorming, Feldbefragungen natürlicher Gruppen oder die Moderationsmethode.

4. Non-reaktive Verfahren

Diese Methoden zeichnen sich dadurch aus, dass sie während der Durchführung keinen Einfluss auf die untersuchten Personen oder Prozesse ausüben, da Beobachter und Objekt nicht in Kontakt treten. Beispiele sind:

• Analyse von physischen Spuren.

• Untersuchung von Dokumenten, Büchern, Zeitschriften, Schildern oder Symbolen.

• Verwendung von Fotos oder Videos.

Zusammenfassend lässt sich sagen, dass qualitative Verfahren darauf abzielen, verbales und grafisches (nicht-numerisches) Material zu generieren, das reichhaltiger an Details ist als bloße Messwerte.

Die Datenauswertung durch Kategorien oder Themen ist ein zentraler Bestandteil der qualitativen Forschung und dient dazu, nicht-standardisiertes, narratives Material (wie Interviewtranskripte) systematisch zu ordnen und zu interpretieren. Im Gegensatz zur quantitativen Forschung, die auf Zahlen basiert, zielt dieser Prozess darauf ab, komplexe Phänomene in ihrem Kontext zu verstehen.

1. Grundprinzipien der Analyse

Die Analyse erfolgt meist iterativ, das heißt, sie beginnt oft schon parallel zur Datenerhebung. Das Ziel ist es, die Datenmenge in handhabbare Einheiten zu organisieren und darin Themen, Strukturen und Muster zu erkennen. Dies geschieht häufig durch die Bildung eines Kategoriensystems, das entweder vorab theoretisch abgeleitet oder direkt am Material entwickelt wird.

2. Qualitative Inhaltsanalyse (nach Kuckartz)

Ein häufig genutztes Verfahren ist die inhaltlich-strukturierende qualitative Inhaltsanalyse. Der Prozess folgt dabei klaren, regelgeleiteten Schritten:

• Initiierende Textarbeit: Relevante Textstellen werden markiert und erste Anmerkungen (Memos) geschrieben.

• Entwicklung von Hauptkategorien: Basierend auf der Forschungsfrage oder der Theorie werden thematische Hauptkategorien festgelegt.

• Erste Codierung: Das gesamte Material wird anhand dieser Hauptkategorien systematisch durchgearbeitet und zugeordnet.

• Zusammenfassung: Textstellen, die der gleichen Hauptkategorie zugeordnet wurden, werden zusammengefasst.

• Induktive Bildung von Subkategorien: Aus dem Material heraus werden feinere Unterkategorien entwickelt, um Details besser abzubilden.

• Erneute Codierung: Der gesamte Datensatz wird nun auf Basis des ausdifferenzierten Kategoriensystems final codiert.

• Analyse und Visualisierung: Die Ergebnisse werden interpretiert und grafisch oder tabellarisch aufbereitet.

In der qualitativen Forschung dienen Gütekriterien dazu, die Qualität, Transparenz und wissenschaftliche Belastbarkeit der Ergebnisse sicherzustellen, wobei sie sich deutlich von den klassischen Kriterien der quantitativen Forschung unterscheiden.

Basierend auf den Quellen (insbesondere nach Mayring und Gläser-Zikuda) lassen sich folgende zentrale Gütekriterien festhalten:

• Verfahrensdokumentation: Dies ist die Grundlage für die intersubjektive Nachvollziehbarkeit des gesamten Forschungsprozesses. Dokumentiert werden müssen unter anderem das Vorverständnis der Forschenden, die Auswahl der Teilnehmenden, die Datenerhebungsmethode sowie die Auswertungsstrategie.

• Regelgeleitetheit: Die Untersuchung muss einem systematischen Vorgehen folgen. Dies beinhaltet klare Auswertungsregeln und die Festlegung von sinnvollen Materialeinheiten, damit die Analyseschritte für Außenstehende logisch und nachvollziehbar bleiben.

• Nähe zum Gegenstand: Zwischen den Forschenden und den beforschten Personen sollte ein offenes und gleichberechtigtes Verhältnis bestehen, um die Lebenswelt der Betroffenen authentisch abbilden zu können.

• Intercoder-Reliabilität: Hierbei geht es um die Zuverlässigkeit und Reproduzierbarkeit der Analyse. Es wird geprüft, inwieweit verschiedene Auswerter bei der Anwendung desselben Analyseinstruments zu den gleichen Ergebnissen kommen (Stabilität und Exaktheit).

• Kommunikative Validierung: Die Ergebnisse werden mit den Forschungsteilnehmenden diskutiert, um zu prüfen, ob sie ihre eigenen Ansichten und Erfahrungen in der Interpretation der Forschenden wiederfinden.

• Validierung durch Triangulation: Dies bezeichnet die Einbeziehung verschiedener Perspektiven oder Methoden, um die Ergebnisse abzusichern.

Zusätzlich wird zwischen verschiedenen Formen der Validierung unterschieden:

• Konsensuelle Validierung: Konsens über die Deutung zwischen mehreren Interpretierenden.

• Argumentative Validierung: Konsens zwischen den Forschenden und unbeteiligten Dritten.

Insgesamt zielen diese Kriterien darauf ab, die qualitative Forschung transparent, kritikfähig und nachvollziehbar zu machen, ohne die Komplexität des untersuchten Phänomens durch zu starke Standardisierung zu reduzieren.