mooncircle

インタビュー調査で内容分析を行う際には、M-GTAや質的内容分析など、研究方法の枠組みに沿って進めることで、できる限り客観性や妥当性を担保していくことが大切です。

しかし、どれほど方法論を丁寧に押さえていても、カテゴリーをどこで区切るのか、どのようなカテゴリー名にするのか、似たような語りをどのカテゴリーに入れるのかといった判断には、一定の解釈が伴います。
つまり、質的分析には研究者の主観や判断がまったく入らないわけではありません。

そのため、分析ノートを残しておくことは非常に有効です。
なぜそのカテゴリーを立てたのか、どのような基準でデータを分類したのか、その時点で迷った点は何だったのか。
こうした記録は、後から分析を見直す際の大切な手がかりになります。

ただ、それでもやはり、内容分析はできるだけ一気呵成に進めた方がよいと感じます。

2、3日程度なら問題ないことも多いですが、1〜2週間空いてしまうと、分析していた時の頭の働きや問題意識がかなり薄れてしまいます。
カテゴリーを作った時には明確だったはずの基準も、「なぜここに入れたのか」「なぜこの名前にしたのか」を思い出すのに時間がかかります。

もちろん、第三者、とくにその分野に詳しい研究者とディスカッションし、カテゴリーや解釈を洗練させていくことは重要です。
むしろ、質的研究では欠かせないステップといえます。
ただし、その段階に進む前の一次分析は、できるだけ間を空けずに進めた方が効率的です。

論文サポートの現場でも、数週間前にいったん終えた内容分析を、十分な納得感や吟味のないまま置いてしまい、投稿直前になって慌てて見直される受講生の方があります。
すると、研究の焦点や文脈が見えにくくなり、かえって分析全体が泥沼化してしまうことがあります。

一方で、意図的に「熟成期間」を置くことには意味があります。
いったん距離を置くことで、見えなかった構造が見えてきたり、カテゴリー名がより適切なものに洗練されたりすることもあります。

ただし、その場合も「放置」ではなく、「意図的に寝かせる」ことが大切です。
私の感覚では、熟成期間として置くとしても、まずは1週間程度が一つの目安です。

内容分析は、細かな判断の積み重ねです。
だからこそ、その時の思考の流れを保ったまま、まずは一気に形にする。
そのうえで、少し時間を置き、第三者の視点も交えながら洗練させていく。

この流れが、質的分析を迷子にしないための、現実的で有効な進め方だと思います。

時々受講生の方から、

調査に必要な対象者数や、すでに行っている

調査の対象者数の妥当性について質問を受けることがあります。

そのような際、「被験者が20名で統計分析を行います」といった声を聞くこともあり、被験者数の重要性が軽視されていることが危惧される場合があります。

実際にはどの程度のサンプルサイズが必要なのでしょうか。

今回は、特に相関分析を例に、

必要な被験者数について解説します。

【１】相関分析に必要な被験者数の目安

相関分析における必要な被験者数は、

効果量の大きさ、

信頼水準、

検出力（通常は80％）

によって異なります。一般的なガイドラインは以下の通りです：

1. 効果量が中程度 (r = 0.30) の場合80％の検出力を確保するには、約85名以上の被験者が必要。
2. 効果量が大きい (r = 0.50) 場合40名程度の被験者がいれば、大きな効果を検出するのに十分。
3. 効果量が小さい (r = 0.10) 場合、有意に検出するためには約780名の被験者が必要。

【２】効果量とは？

効果量とは、統計的な分析で観察される効果の大きさや強さを示す指標です。

相関分析では、効果量として相関係数 (r) が使われ、変数間の関連の強さを示します。

単に「相関があるかどうか」だけでなく、

「その相関がどれほど強いか」を判断するために役立ちます。

例えば、

「相関係数が0.10あれば関連があると言いたい」という場合、

統計的に有意な結果を得るためには

約780名の被験者が必要となります。

これは、一般的な80％の検出力と5％の有意水準に基づく目安です。

【３】サンプルサイズと統計的検出力

相関が小さい場合、サンプルサイズが十分に大きくなければ有意な結果を得るのが難しくなります。

統計的検出力を確保し、研究結果が信頼できるものであることを示すためには、

効果量に応じた適切な被験者数を設定することが重要です。

統計分析を計画する際には、

必要なサンプルサイズを正確に見積もることが、信頼できる分析結果を得るための鍵となります。

先日、東京の対面個人指導で、４時間ぶっ通しで、

修論論文作成のプロセスを進めた時のホワイトボードをアップしながら説明していきたいと思います。

この方は、観察記録のデータを多く収集できている状況であったものの、

目的や先行研究の検討がまだ充分でなかあったため、

とりためたデータからベクトルを反対に向けて、目的や先行研究を精読していこうということになりました。

まずは、取られているデータを拝見して、

どのような研究視点が抽出できるかを一緒に検討していきました。

様々なポイントは自由に考えられるものの、

後々の考察や先行研究とのつながりを意識して、ピックアップしていかねばなりません。

データを取っておられた時は何となく取っていたということでしたが、そこには何らかの意図があったはず。

それを説明していただきながら、

一緒に、データを精査して抽出できる点をホワイトボードの板書していきました。

こうして可視化することで、漠然ともやもやとしていたものがはっきりと形を成してくるのをいつも面白く思います。

インタビュー調査であれ、アンケート調査であれ、データだけ先に集めてしまった、どうしようと悩んでいる方は、まずはそのデータをぐっとにらんで、

どのような研究視点が抽出できるか、文字で書き出してみてくださいね。

可視化することで、漠然としていた思索が究極的に意識に明確に上がって、整理できるようになります。

主に社会科学の分野で

インタビュー調査などの言語データを収集、分析して、

最終的にモデルを作るという結果のまとめ方があります。

収集された言語データから

何らかのテーマやパターンを見出して

複雑な社会現象や人間の行動を洞察するアプローチです。

この「モデル」を構築するというのは、

質的調査の最終目標で理論構築をすることでもあります。

このモデル構築によって、考察しようとしている

現象の背後にあるメカニズムや関連性を理解する手助けとなります。

例えば、複雑に絡まる

要因がどのように影響し合っているかなどを考察し、説明することができます。

先行研究を十分に読み込んでいるならば、

調査前に、仮説モデルを提示することもできるでしょう。

仮設モデルを提示し、

実際に調査してデータ収集し、

パターンを見出してモデルを作り理論構築する

。。。これができれば、とても評価される論文となるでしょうね。

言い換えれば、非常に難易度の高い研究でもあります。

もちろん、得られたメカニズムやパターンは、ある特定の対象から得られたデータから構築されているので、

一般的な傾向や普遍的な法則を導き出すことには慎重になる必要があります。

ゆえにそれを補う方策として、

量的研究をセットにするということが考えられます。

私たちは、社会科学の分野でのサポートをする場合、十分に時間的余裕があると考えられる時で、対象者を得られる算段がある場合、

できるだけ質的研究と量的研究との両方を行うように提案する時が多いです。

先日、四日後の論文途中の報告発表会に、仮説としての仮モデルを作ってほしいという依頼があって驚きました。

論の一部の文章をモデルを作成して書き方をご指導する私たちのモデル作成サポートをそのようにとられてのご依頼だったのですが、

そのあたりの誤解があったとはいえ

まだインタビュー調査をするかどうかわからない、

対象者が決まっていない、

リサーチクエスチョンが決まっていない、もちろんインタビューガイドもできていない、

それ以前に先行研究で何を読めばいいかわからない、

そういった段階で、仮説となる仮モデルの作成などはできません。

それは研究の本体であるという意味でも、私たちがそれを作成すると代行作業のようなものなのでできません。

「先輩方の論文を見たら。そのようなモデルが提示されていたから」

といったお話でしたが、そこに掲載されているモデルの作成に至るまでに、多くの時間と労力が費やされています。

これからモデルを作ろうと思っている方々は、

十分に先行研究を読み込み、

リサーチクエスチョンを練ったうえで、

インタビューガイドを作成し、

モデル構築の研究に臨まれてくださいね。

半構造化面接でデータを取り終えて、さて、分析としていこうという段階で

「MGTAの（あるいはGTAやKJ法などの）テンプレートありますか？」

という質問を受けることがあります。

最初の頃、このように質問されて、

「テンプレートと言っても別にたいそうなものでなく、エクセルとかで表にまとめていくだけだけど」

といって、単に空白の表を渡したところ

その表に、感覚的に=主観的に、分類を書いてこられてびっくりしたことがあります。

話をよく聞いてみると、分析をしていくテンプレートはあるかという問いだったらしく…

テンプレートという言葉をおそらく、そこに機械的に当てはめていけば分析できるもの、という意味で使われていることがわかりました。

ちょっとびっくりしたのですが、初学の段階だとそういう風な発想されるにだなと、私も認識した次第です。

内容分析というのは、機械的に分析を進めれるような単純なものではなく、

多様に考えられる分類の軸があり、

それをどのように組み合わせていくか、

あるいは、いったん分類するにあたってその定義をどのように考えるか、

あるいは、あるデータが複数の分類に入る可能性が考えられるならばそのように処理していくかなど、

作ったり壊したり作ったり壊したりして、最終的に、いわゆる理論的飽和に達して完成するものです。

その後も、そして現在も、内容分析の段階で「テンプレートはありますか。」の質問をよく受けます。

内容分析のテンプレートなどありません。

分析の方向性や焦点づけはは目的や仮説などの研究内容によって多様に異なり、淡々とと機械的に進めれるものではないのです。

こういう質問を受けたとき、私はとりあえず、

サンプルを示して、それぞれの手法と手順を説明して、

実際のデータをもとに「練習」して、分析を進めていただくようにしています。

結局のところ、学問に王道は無し、という事ですね。

先日、KJ法の基本講座を某所で受講して、そこで教わったことをもとに、現在行っている調査データを分析したのだけど、一緒にみてもらいたい、というご依頼が受講生の方からあり、セッションでデスカッションしました。

基礎・基本を学ぶ講座、特に

集団授業でよくあることですが、わかりやすく説明するためにまずはシンプルな分析の方法からご説明されることがあります。

本ケースの場合も、個々人の主要な意見を３つにまとめて、それをもとに３つのグループに分類するというご指導でした。

しかし、受講生の方が持ってこられた分類は、若干、無理やり３つにまとめたり、あるいは個々人の主要な意見として一つの意見の中に複数の要素が混在したりと、混乱があり、また、グループ名と中に含まれるデータの内容がうまく合致していなかったり。

ひょっとしたら最終的な形としての

インデックス図解のご説明として、３つという数字がご教示されたのかもしれません。

とにかく、受講生の方は

３つという数字に引っ張られてしまったのですね。

できるだけ最小数でシンプルにという事は重要ですが、具体的に数字を最初から決める必要はなかったかと思います。

KJ法では結論に至る根拠として最終的な図のみならず、

それに至るプロセスを開示することが重要で、その際に

読み手が十分に理解できる結論の説明をして、また当たり前ですが

その結論と説明は研究目的に沿った内容でなければいけません。

基礎基本を学ばずに最初から主観的な思い込みで分析をするのは論外ですが、概説書や講義を受けたときは、

そこでの説明が基礎・基本であることを踏まえたうえで、

柔軟に自分の研究にとっての妥当な応用をしていくことが重要なことではないかと思います。

でないと本末転倒になりますね。

これから分析をされる方は気を付けられてくださいね。