5.0 质化数据分析

建立类别（Creating Categories）

• 在分析数据时，先根据研究问题或数据内容，整理出一些相似的概念或类别，让信息更有条理。

• 例如，在采访学生阅读习惯的数据中，可以建立“喜欢的书籍类型”“阅读频率”“阅读动机”等类别。

数据编码（Data Coding）

• 通过标记或标签（代码）把数据归入相应的类别，使得信息更容易整理和分析。

• 例如，把“每天阅读”和“每周阅读”标记为“高频阅读”，而“很少阅读”标记为“低频阅读”。

数据归类（Data Classification）

• 把相似的数据进一步整理到同一组，找出它们的共同点或模式，以便更深入分析。

• 例如，把“喜欢小说”和“喜欢漫画”归入“休闲阅读类型”，而“喜欢科普书”和“喜欢历史书”归入“知识性阅读类型”。

确定主题（Identifying Themes）

• 在归类的基础上，提炼出关键主题，帮助总结和解释研究发现。

• 例如，如果研究发现“学生喜欢阅读的书籍类型与家长的阅读习惯有关”，那么“家庭影响”可能成为一个重要主题。

因果分析（Causal Analysis）

• 研究某件事的原因和结果，找出不同现象之间的联系。

• 例如，研究“学生的阅读兴趣”是否受到“家庭环境”的影响，就属于因果分析。

归纳分析（Inductive Analysis）

• 从具体的数据中总结出一般性的规律或概念，即“从小到大”的分析方式。

• 例如，研究学生的阅读习惯时，先收集他们的阅读记录，再从中发现“高频阅读的学生通常有固定的阅读时间”，进而归纳出“固定阅读时间有助于培养阅读习惯”。

演绎分析（Deductive Analysis）

• 从已有的理论或假设出发，然后用数据来验证这些理论，即“从大到小”的分析方式。

• 例如，假设“阅读理解能力强的学生更容易写出高质量的作文”，然后通过学生的阅读理解测试成绩和作文评分来验证这一假设。