主题分析
Thematic Analysis
主题分析（Thematic Analysis）是一种定性数据分析方法，主要用于识别、分析和报告数据中的模式（主题）。它通过系统地整理和解释数据，提取有意义的主题，帮助研究者理解数据的深层含义。
进行主题分析的方法多种多样，但最常见的形式遵循六个步骤：熟悉、编码、生成主题、审查主题、定义和命名主题以及写作。遵循此过程还可以帮助您在制定分析时避免确认偏差。
这个过程最初是由 Virginia Braun 和 Victoria Clarke 为心理学研究开发的。然而，主题分析是一种灵活的方法，可以适用于许多不同类型的研究。
主题分析的不同方法
归纳性和演绎性：
归纳性：从数据中生成主题（数据驱动）。
演绎性：基于理论框架寻找主题（理论驱动）。
归纳法和演绎法是有区别的：
归纳方法涉及允许数据确定您的主题。
演绎方法涉及根据理论或现有知识，在数据中得出一些先入为主的主题，您希望在那里找到反映出来的主题。
问问自己：我的理论框架是否让我对期望在数据中找到什么样的主题有一个强烈的想法（演绎），或者我是否打算根据我发现的内容（归纳）开发自己的框架？
语义方法和潜在方法之间也有区别：
语义方法涉及分析数据的显式内容。
潜在方法涉及阅读数据背后的潜台词和假设。
问问自己：我是否对人们陈述的观点（语义）感兴趣，或者对他们的陈述揭示了他们的假设和社会背景（潜在）感兴趣？
主题分析过程
在您确定主题分析是分析数据的正确方法，并且您已经考虑了要采用的方法之后，您可以遵循 Braun 和 Clarke 开发的六个步骤。
第 1 步：熟悉
第一步是了解我们的数据。在我们开始分析单个项目之前，全面了解我们收集的所有数据非常重要。
这可能涉及转录音频、阅读文本和做初始笔记，以及通常查看数据以熟悉它。
第 2 步：编码
接下来，我们需要对数据进行编码。编码意味着突出显示我们文本的各个部分（通常是短语或句子），并提出速记标签或 “代码” 来描述其内容。
让我们看一个简短的示例文本。假设我们正在研究 50 岁及以上的保守派选民对气候变化的看法，并通过一系列访谈收集了数据。一次采访的摘录如下：
在此摘录中，我们用不同颜色突出显示了对应于不同代码的各种短语。每个代码都描述了文本的该部分所表达的想法或感觉。
在这个阶段，我们希望做到全面：我们仔细阅读每次采访的文字记录，并突出所有突出的相关或可能有趣的内容。除了突出显示与这些代码匹配的所有短语和句子外，我们还可以在浏览文本时不断添加新代码。
完成文本后，我们将所有数据整理到由代码标识的组中。这些代码使我们能够对整个数据中反复出现的要点和常见含义有一个简明的概述。
第 3 步：生成主题
接下来，我们查看我们创建的代码，确定其中的模式，然后开始提出主题。
主题通常比代码更广泛。大多数情况下，您会将多个代码组合到一个主题中。在我们的示例中，我们可能会开始将代码组合成这样的主题：
在这个阶段，我们可能会决定我们的一些代码太模糊或不够相关（例如，因为它们在数据中不经常出现），因此可以丢弃它们。
其他代码本身可能会成为主题。在我们的示例中，我们认为代码 “uncertainty” 作为一个主题是有意义的，并将一些其他代码纳入其中。
同样，我们的决定将根据我们试图找出的内容而有所不同。我们希望创建潜在的主题，告诉我们有关数据的一些有用信息，以实现我们的目的。
步骤 4：查看主题
现在我们必须确保我们的主题是数据的有用和准确的表示。在这里，我们返回到数据集并将我们的主题与它进行比较。我们错过了什么吗？这些主题真的存在于数据中吗？我们可以更改哪些内容来使我们的主题更好地工作？
如果我们遇到主题问题，我们可能会将它们拆分、组合、丢弃或创建新的主题：只要使它们更有用和准确。
例如，我们可能会决定在查看数据时，“更改术语”更适合“不确定性”主题，而不是“不信任专家”，因为用此代码标记的数据涉及混淆，不一定是不信任。
第 5 步：定义和命名主题
现在，您已经有了最终的主题列表，是时候命名和定义每个主题了。
定义主题涉及准确表述每个主题的含义，并弄清楚它如何帮助我们理解数据。
命名主题涉及为每个主题设计一个简洁易懂的名称。
例如，我们可能会查看“对专家的不信任”，并确定我们在这个主题中所说的“专家”到底是指谁。我们可能会决定为这个主题取个更好的名字是 “不信任权威 ”或 “阴谋论思维”。
第 6 步：写作
最后，我们将写下我们对数据的分析。像所有学术文本一样，撰写主题分析需要引言来确定我们的研究问题、目标和方法。
我们还应该包括一个方法部分，描述我们如何收集数据（例如，通过半结构化访谈或开放式调查问题），并解释我们如何进行主题分析本身。
结果或发现部分通常依次讨论每个主题。我们描述了主题出现的频率及其含义，包括作为证据的数据示例。最后，我们的结论解释了主要收获，并展示了分析如何回答我们的研究问题。
在我们的例子中，我们可能会争辩说，关于气候变化的阴谋论思维在年长的保守派选民中很普遍，指出许多选民看待这个问题的不确定性，并讨论错误信息在受访者的看法中的作用。
如何使用Nvivo
案例分析
教师对混合教学模式（线上与线下结合）的适应与挑战
研究背景
随着线上教学工具的普及，混合教学模式逐渐成为主流。研究旨在探讨中小学教师在适应混合教学模式时的主要体验、挑战和应对策略。
数据来源
半结构化访谈：对10位中小学教师进行深度访谈，每次约1小时，记录他们的教学经历与感受。
课堂观察笔记：观察5次线上与线下结合的课程，记录教师的教学行为与学生互动情况。
教师教学日志：收集教师一周内的教学反思记录。
数据分析过程
1. 数据整理
将访谈录音转录为文本，记录课堂观察笔记和教学日志。
导入 NVivo，将数据分为三类（访谈、观察、日志），为后续分析提供清晰分类。
2. 开放编码
初步逐句阅读数据，提取关键概念。
例如：编码：教学效果评估的难度；数据：“课堂中我感觉难以评估学生是否真正理解线上部分的内容。”
编码：时间成本；数据：“在线部分需要我额外设计很多互动活动，花费更多时间。”
3. 轴心编码
将开放编码的初步结果归类成更高层次的主题。
例如：
时间成本 与 课前准备复杂性 被归为 工作负担增加。
教学效果评估的难度 与 学生参与度不稳定 被归为 教学效果的挑战。
4. 选择性编码
整合轴心编码结果，确定核心主题。
核心主题：教师在混合教学模式中的适应性与支持需求
最终主题与示例
研究结果的应用
加强技术支持：学校需为教师提供更多培训和实时支持，降低技术负担。
优化课程设计：开发统一的混合教学资源模板，减轻教师工作负担。
关注教师心理健康：为教师提供心理支持和管理工具，帮助他们适应混合教学的角色变化。
THE END
