Summary Nowadays, research without a role for digital data and data analysis tools is barely possible. As a result, we see an increasing interest in research data management, as this enables the replication of research outcomes and the reuse of research data for new research activities. Data management planning outlines how to handle data, both during research and after the research is completed. Trusted data repositories are places were research data are archived and made available for the long term. This article covers the state of the art concerning data management and data repository demands with a focus on qualitative data sets.
Data analysis in qualitative research: 'Help! I'm drowning in my data' Some researchers collect data so enthusiastically that they panic when confronted with the amount of data. How should they tackle the analysis? In mutual discussion, the authors show in seven tips how the qualitative analyst systematically attacks the data monster.
De KNAW en NWO hebben samen een nieuw instituut opgericht waar onderzoekers na afloop van hun project alle data en andere documentatie over hun project kunnen deponeren, zodat andere onderzoekers daar weer hun voordeel mee kunnen doen. Daarmee wordt gevolg gegeven aan de Verklaring van Berlijn waarin in 2003 het principe van Open Access werd uitgeroepen: wetenschappelijk materiaal moet vrijelijk aan iedereen beschikbaar worden gesteld via internet; wetenschap is voor iedereen.
Writing instead of coding: Data analysis in phenomenological research
The step from research data to a rich and meaningful description of a phenomenon appears to be complicated for many researchers. This article describes a method of phenomenological analysis in which writing is emphasized as the central activity. The writing of textual portraits supports the researcher in the process of understanding and enables the disclosure of the experience in an evocative manner. The use of phenomenological literature in the subsequent step of reflective writing brings the analysis to an even higher level.
The future of ethnography in the Big Data era By taking an ethnographic viewpoint, Beuving explores knowledge claims about Big Data (BD) as discussed in Seth Stephens-Davidowitz' best-selling book Everybody Lies (2017). It portrays BD in a way that evokes affinity with ethnography: as a naturalistic research practice that makes small subpopulations visible and discloses people's hidden motives. But for Beuving this threefold assertion appears to rest on misguided conceptions. For the ethnographic researcher, naturalism refers to a reflexive practice, yet the BD researcher associates it with researcher invisibility. And the term population, which has a statistical meaning in BD, has a strong theoretical connotation in ethnography. Finally, motives in BD are about direct interpretation of revealed preferences as social facts, whereas the ethnographer considers them to be expressions of social behavior that require a Verstehende interpretation. Bosch sees the relation of ethnography and Big Data research as a new form of Methodenstreit, which urges qualitative researchers to develop and apply user-oriented analysis techniques. Gigengack stresses that ethnography and Big Data are in fact incompatible. They should not be seen as methodological rivals in understanding society and social conduct. Ethnography and Big Data analyses are different perspectives on the social world. Ethnography should study the world of Internet behavior as it studies religious rites or societal identities.
Twintig jaar geleden verscheen de tweede druk van Qualitative data analysis van Miles en Huberman (1994), een van de eerste standaardwerken gewijd aan kwalitatieve data-analyse. Zij beschreven de aanleiding voor hun boek als volgt: 'the most serious and central difficulty in the use of qualitative data is that methods of analysis are not well formulated' (Miles & Huberman, 1994). Met dit boek wilden zij een bijdrage leveren aan het ontwikkelen van expliciete, systematische analysemethoden, die geloofwaardig en repliceerbaar zouden zijn. Ook in het onderwijs over kwalitatief onderzoek wordt nog weinig aandacht besteed aan data-analyse, in vergelijking met de aandacht voor dataverzameling. Leerboeken over kwalitatief onderzoek wijden meestal aparte hoofdstukken aan observeren, interviewen en het houden van focusgroepen, gevolgd door een algemeen hoofdstuk over data-analyse, waarin algemene stappen worden beschreven. In de afgelopen jaren lijkt deze lacune te worden goedgemaakt door een toenemende aandacht voor kwalitatieve data-analyse: er zijn tientallen boeken over data-analyse vanuit verschillende invalshoeken gepubliceerd. Onlangs verscheen ook een tweede bewerkte druk van Hennie Boeijes boek Analyseren in kwalitatief onderzoek: denken en doen, en binnenkort zal ook een boek van Jeanine Evers het licht zien: Kwalitatieve analyse: kunst én kunde. Beide boeken komen in dit themanummer aan bod. Nu kwalitatieve onderzoeksmethoden steeds meer 'volwassen' zijn geworden en een bredere belangstelling en acceptatie genieten, ligt het voor de hand om de basisprincipes van kwalitatieve data-analyse aan een kritisch onderzoek te onderwerpen. Data-analyse vormt een van de belangrijkste onderdelen van een kwalitatief onderzoek, maar in de uitvoering blijken grote verschillen te bestaan. Het leek ons daarom belangrijk om in dit 57ste nummer van KWALON aandacht te besteden aan verschillende wijzen van kwalitatieve data-analyse.
Christina Silver & Ann Lewis, Using software in qualitative research (second edition), London: SAGE Publications, 2014, 355 pp., ISBN 978-1-4462-4972-7, € 35,12 (pbk).
