6.3 Datainnsamling og analyse

Datainnsamling og analyse

Data er råmaterialet i all forsking — utan gode data er sjølv den mest elegante analysen verdilaus. Men innsamling av data er ikkje berre å «hente tal»; det er ein systematisk prosess som krev nøye planlegging for å sikre at dataa er relevante, pålitelege og gyldige.

I dette kapittelet skal du lære om ulike metodar for datainnsamling, både kvantitative og kvalitative, og korleis data blir systematiserte, koda og analyserte. Du lærer òg om skilnaden mellom deskriptiv og analytisk statistikk, og korleis resultat blir framstilte i tabellar og figurar.

Valet av datainnsamlingsmetode følgjer direkte av forskingsspørsmålet og forskingsdesignet du har valt. Ein kvantitativ studie krev taldata; ein kvalitativ studie krev tekstdata. Nokre studiar brukar begge delar — dette blir kalla mixed methods.

Kvantitativ datainnsamling

Kvantitative metodar produserer taldata som kan bearbeidast statistisk. Dei vanlegaste metodane er:

Spørjeskjema (survey): Ei strukturert liste med spørsmål som blir svara av respondentane. Spørjeskjema kan distribuerast på papir eller digitalt (Google Forms, Nettskjema, SurveyMonkey) og når mange respondentar raskt.

Gode spørjeskjema er kjenneteikna av:
- Enkle, eintydige spørsmål utan fagsjargong
- Logisk rekkjefølgje frå generelt til spesifikt
- Blanda svarformat: Likert-skala (1–5), fleirval, rangeringsoppgåver
- Pilottesting på ei lita gruppe før utsending
- Anonymitet for å sikre ærlege svar

Måleinstrument og sensorar: I naturvitskaplege forsøk blir fysiske instrument som termometer, pH-målarar, vekter, desibelmålarar, spektrofotometer og dataloggarar brukte. Kalibrering av instrument før bruk er avgjerande for reliable data.

Loggar og automatisk registrering: Digitale loggar registrerer data automatisk over tid — til dømes temperatursensorar som loggar kvart 10. minutt, appar som registrerer skjermtid, eller kamera med tidsintervallopptak av plantevekst.

Kvalitativ datainnsamling

Kvalitative metodar produserer tekstdata — rike, detaljerte skildringar av erfaringar, opplevingar og meiningar. Dei viktigaste metodane er:

Intervju: Ein samtale mellom forskar og informant, styrt av ein intervjuguide. Intervju kan vere:
- Strukturerte: Faste spørsmål i fast rekkjefølgje (nær spørjeskjema)
- Semistrukturerte: Førebudde tema, men rom for oppfølgingsspørsmål (vanlegast i kvalitativ forsking)
- Ustrukturerte: Open samtale rundt eit tema (blir brukt i utforskande studiar)

Observasjon: Forskaren observerer og registrerer åtferd, samhandling eller fenomen i naturlege omgjevnader. Observasjon kan vere:
- Deltakande: Forskaren deltek i aktiviteten som blir observert
- Ikkje-deltakande: Forskaren observerer utanfrå utan å påverke situasjonen

Dokumentanalyse: Systematisk gjennomgang av eksisterande dokument — rapportar, avisartiklar, lovtekstar, postar i sosiale medium, dagbøker eller historiske kjelder. Fordelen er at dataa alt eksisterer; ulempa er at dei ikkje er samla inn for formålet til forskaren.

Kvalitative metodar gjev djupne, men ikkje breidd. Dei eignar seg for å forstå kvifor og korleis, medan kvantitative metodar svarar betre på kor mykje og kor mange.

Koding og systematisering av data

Uansett om dataa er kvantitative eller kvalitative, må dei systematiserast før analyse.

Kvantitative data blir systematiserte ved å leggje dei inn i eit rekneark eller statistikkprogram med klare variabelnamn, korrekte dataformat (tal, dato, tekst) og konsistent koding. Til dømes kan kjønn kodast som 0 = gut, 1 = jente; Likert-svar blir koda numerisk 1–5.

Kvalitative data blir koda gjennom ein prosess kalla tematisk analyse:

1. Transkribering: Intervju blir skrivne ut ordrett frå lydopptak
2. Open koding: Les gjennom teksten og merk interessante utsegn med kodar (merkelappar), til dømes «meistring», «tidsmangel», «kollegastøtte»
3. Kategorisering: Grupper kodane i overordna kategoriar/tema
4. Tolking: Kva fortel temaa oss? Kva mønster ser vi?

Eksempel: I intervju med nyutdanna lærarar kan kodane «overlessa», «ikkje nok tid til planlegging» og «for mange oppgåver» grupperast under kategorien arbeidsmengd. Kodane «støttande rektor», «erfarne kollegaer hjelper» og «mentorordning» kan grupperast under kollegastøtte.

Kvalitativ koding krev refleksivitet — at forskaren er medviten om eigne føresetnader og fordommar, og korleis desse kan påverke tolkingane.

Statistisk analyse: deskriptiv og analytisk

Statistisk analyse av kvantitative data blir delt i to hovudkategoriar:

Deskriptiv (skildrande) statistikk oppsummerer og skildrar dataa:
- Sentralmål: Gjennomsnitt, median og modus — fortel kva som er «typisk»
- Spreiingsmål: Standardavvik, varians og variasjonsbreidd — fortel kor spreidde dataa er
- Frekvensfordelingar: Kor mange observasjonar finst i ulike kategoriar?
- Prosentilar og kvartilar: Kvar i fordelinga ligg ein observasjon?

Analytisk (slutnings-)statistikk testar om mønstera vi ser er reelle eller tilfeldige:
- t-test: Samanliknar gjennomsnitt mellom to grupper. Eksempel: Er gjennomsnittsskåren signifikant høgare i eksperimentgruppa enn i kontrollgruppa?
- Kjikvadrattest: Testar samanheng mellom to kategoriske variablar. Eksempel: Er det ein samanheng mellom kjønn og val av studieretning?
- Korrelasjonsanalyse: Måler styrken og retninga på samanhengen mellom to variablar. Korrelasjonskoeffisienten $r$ varierer frå $-1$ (perfekt negativ) til $+1$ (perfekt positiv).
- ANOVA (variansanalyse): Samanliknar gjennomsnitt mellom tre eller fleire grupper.

I alle analytiske testar blir det rekna ut ein p-verdi som angir sannsynet for å observere resultata gitt at nullhypotesen er sann. Vanleg signifikansnivå er $p < 0{,}05$ — det tyder at det er under 5 % sannsyn for at resultatet skuldast tilfeldigheiter.

Tabellar og figurar: framstilling av data

Resultata av analysen blir presenterte visuelt gjennom tabellar og figurar. Godt designa visualiseringar gjer komplekse data forståelege.

Tabellar blir brukte når:
- Du har nøyaktige tal som lesaren bør kunne slå opp
- Du samanliknar fleire variablar eller grupper
- Dataa har få kategoriar men mange målingar

Ein god tabell har tydeleg overskrift, skildrande kolonnenamn, rett tal på desimalar (vanlegvis 1–2) og einingsnemningar.

Figurar blir brukte når:
- Du vil vise trendar, mønster eller fordelingar
- Du vil gje eit raskt visuelt inntrykk
- Dataa har ein tidsdimensjon eller mange kategoriar

Vanlege figurtypar:
- Søylediagram: Samanliknar kategoriar (t.d. gjennomsnittleg skår i tre grupper)
- Linjediagram: Viser utvikling over tid (t.d. plantevekst per dag)
- Spreiingsdiagram (scatterplot): Viser samanhengen mellom to variablar (t.d. studietid vs. karakter)
- Boksdiagram (boxplot): Viser fordeling, median, kvartilar og uteliggjarar
- Histogram: Viser frekvensfordelinga til ein variabel

Alle figurar skal ha tittel, aksetitlar med einingar, forklaring (legend) og kjelde. Unngå 3D-effektar, overflødige dekorasjonar og forvirrande fargebruk — klarheit er viktigare enn estetikk.

Oppsummering

- Kvantitativ datainnsamling (spørjeskjema, måleinstrument, loggar) gjev taldata for statistisk analyse.
- Kvalitativ datainnsamling (intervju, observasjon, dokumentanalyse) gjev tekstdata for tematisk analyse.
- Spørjeskjema må unngå leiande spørsmål, doble spørsmål og uklare skalaer.
- Kvalitative data blir systematiserte gjennom koding: transkribering, open koding, kategorisering og tolking.
- Deskriptiv statistikk skildrar dataa (gjennomsnitt, standardavvik), medan analytisk statistikk testar hypotesar (t-test, kjikvadrat, korrelasjon).
- P-verdien er sannsynet for å observere dataa gitt at $H_0$ er sann — han er ikkje sannsynet for at hypotesen er rett.
- Tabellar og figurar skal vere klare, presise og innehalde tittel, aksetitlar og einingar.