Příprava kvalitativních dat k dalšímu zpracování - přepisu, kódování a zobrazování/vizualizaci (myšlenkové mapy, schémata, grafy, diagramy) je jednou z nejdůležitějších částí celého procesu směřujícího k jejich zdárné analýze a interpretaci.
Analýza dat následně vychází zejména z přepisu rozhovorů, terénních poznámek (field notes) výzkumníka, videozáznamů, audionahrávek, písemných vyjádření respondentů, autentických dokumentů apod. Cílem analýzy dat je získaná data uspořádat, strukturovat a dekódovat jejich význam.
Detailně je možné se s jednotlivými metodikami analýzy získaných dat pro každou z běžně užívaných kvalitativních technik seznámit v publikacích Flick, 2014; Ritchie et al., 2014. Při zpracovávání kvalitativních dat je třeba data zkoumat obezřetně a rozvážně s ohledem na enormní množství materiálů, které je často nutné číst opakovaně se snahou je uspořádat, nalézt a pochopit jejich význam a poté je srozumitelně interpretovat.
Dle Stuckey (2015) je kódování dat při analýze kvalitativního výzkumu procesem vyžadujícím čas a kreativitu. Vhodné je také pamatovat na výzkumnou otázku nebo dějovou linii, které při kódování pomáhají soustředit se na relevantní kódy. K definování významu kódů a udržení transparentnosti procesu lze použít datový slovník.
Kódování se provádí buď pomocí předem stanovených (apriorních) nebo emergentních kódů (těch, které se objevují/vynořují v průběhu analýzy), nejčastěji však kombinací obou. Používáním poznámek, které pomáhají objasnit, jak výzkumník konstruuje kódy a své interpretace, se analýza nakonec lépe píše a má větší konzistenci.
Ilustraci shromažďování audiovizuálních dat a uspořádání smíšeného sledu akcí a interakcí poskytují videozáznamy chirurgických týmů na dvou operačních sálech velké londýnské fakultní nemocnice, které provedl autorský tým Pallotti, Weldon a Lomi (2022).
Ačkoli je přepis často považován za součást procesu sběru dat, je také součástí analýzy. Prvním krokem analýzy získaných dat je zdárný přepis audiovizuálních dat do písemné podoby. Je to časově náročný interpretační proces, který zahrnuje odvozování závěrů.
Existuje mnoho různých způsobů, jak přepsat stejná data. Výzkumní pracovníci se musí rozhodnout, jaká úroveň podrobnosti přepisu je pro konkrétní projekt požadována a jak mají být data reprezentována v písemné podobě. Přepis (transkripce), který obsahuje pouze slova vyřčená účastníky, ztrácí údaje o interakci mezi nimi.
Je ale na výzkumníkovi, zda bude přepis obsahovat podrobnosti o interakcích (což by vyžadovalo více času nebo zdrojů), nebo se rozhodne, že informace o interakcích nejsou pro jeho analýzu relevantní. Přepisování je spíše interpretačním aktem než pouhým technickým postupem. Psaný text se od mluveného slova liší syntaxí, volbou slov a přijatou gramatikou.
Pečlivé pozorování, které přepisování zahrnuje, může vést k zaznamenání neočekávaných (skrytých) jevů. V přepisu nelze vyjádřit celou složitost lidské interakce, a tak poslech a/nebo sledování „původních“ nahraných dat přibližuje údaje tím, že reflektuje způsob, jakým byly věci řečeny, i to, co bylo řečeno.
Transkripce je také považována za subjektivní zobrazovací proces, protože přepisovatel musí v průběhu celého procesu činit subjektivní rozhodnutí o tom, co do textu zahrnout (nebo nezahrnout), zda opravit chyby a upravit gramatiku, či opakování některých vyjádření. V této souvislosti lze tedy hovořit o „naturalizovaném přepisu“ (neboli o „inteligentním doslovném přepisu“), který přizpůsobuje ústní projev psaným normám, a „denaturalizovaném přepisu“ („úplný doslovný přepis“), kde je ponecháno vše, včetně výroků, veškerých chyb (i gramatických) a opakování.
Proces transkripce tedy zahrnuje to, co je v přepisu zastoupeno.
Vzhledem k neustálému zdokonalování technologií a faktu, že umělá inteligence je stále schopnější vytvářet psaný text z nahraného zvuku, objevuje se otázka, zda je vůbec nutný lidský přepis? Díky existenci nových možností softwaru pro počítačem podporovanou analýzu kvalitativních dat (CAQDAS - popsáno i níže), jako jsou NVivo, Atlas.ti a MAXQDA, mají kvalitativní výzkumníci možnost zcela se vzdát přepisu zvuku do textu a místo toho se věnovat živému kódování audiovizuálních souborů. Takto mají výzkumníci prostor pro lepší vhled do problematiky, ponoření se do dat, což jim umožňuje zohlednit dynamiku zkoumaného procesu.
Uspořádání - kategorizace dat je více než jen administrativní úkol; může být také strategií pro analýzu. Je také pro výzkumníka důležité, aby nemusel pokaždé procházet celý datový soubor, ale byl schopen identifikovat část, kterou aktuálně potřebuje.
Účelem tvorby jednotlivých kategorií je redukce dat na menší jednotky. Kategoriální systém a jeho vývoj vyplývá z pečlivého pročtení datového souboru a zaměření se na identifikování skrytých pojmů, či myšlenek a jejich vzájemných vztahů.
Pro úspěšnou kategorizaci kvalitativních dat lze opět využít většinu software pro kvalitativní analýzu dat (dále jako QDA - Qualitative Data Analysis), který nabízí možnost jednoduchého či kombinovaného uspořádání souborů. Každý způsob uspořádání se tak stává novým způsobem pohledu na získaná data. Výzkumník má možnost třídit soubory podle místa výzkumu nebo data pořízení apod.
Kódování kvalitativních dat v podstatě znamená označování a vytváření kategorií pro jednotlivé části nebo „fragmenty“ v souboru dat. Pro názornost si lze kódování představit jako práci knihovníka, jehož práce je podobná - vytváření předmětových hesel pro jednotlivé sekce. Kódování tak může ve druhé fázi analýzy pomoci data přesunout, či posunout vpřed nebo upozornit na nově vznikající témata.
Kódování lze rovněž definovat i jako strategii pro analýzu kvalitativních dat, jejímž cílem je identifikovat související obsah napříč daty prostřednictvím přiřazování popisného označení jednotlivým jejich aspektům. Hovoříme o hledání pomyslné červené niti, která se line získanými informacemi.
V případě, že není potřeba kódovat všechna dostupná data, dle čeho se výzkumník rozhodne, které prvky je třeba kódovat? Pokud jsou k dispozici nahrávky rozhovorů nebo ohniskových skupin nebo jiné typy multimediálních dat, je třeba vytvářet přepisy, které budou analyzovány a kódovány? Nebo je možné kódovat samotná média?
V závislosti na metodice výzkumu může kódovací schéma vycházet z předchozího výzkumu a být aplikováno na stávající data (deduktivní). Nebo se výzkumník pokusí vytvořit kódy výhradně z dat, přičemž bude co nejvíce ignorovat předchozí znalosti o zkoumaném tématu, čímž vytvoří schéma založené na vlastních datech (induktivní).
Výzkumník se rozhodne, zda ke kódování svých kvalitativních dat použije software/softwarové nástroje (např. software Word nebo tabulkový procesor), nebo bude pracovat především s fyzickými verzemi svých dat. Kódy lze snadno přeznačovat, slučovat nebo rozdělovat. Na stejná data je možné použít více kódovacích schémat, což znamená, že je možné zkoumat více způsobů porozumění stejným datům.
Vizualizace dat v roce 2026 | Ultimátní průvodce
Většina softwarových programů pro QDA obsahuje možnost exportu a importu kódovacích schémat. Používání softwaru QDA umožňuje využití funkce automatického kódování.
Výzkumník si klade otázku, jaký přístup ke kódování zvolí. Bez ohledu na to, jak výzkumník ke kódování přistoupí, měl by být tento proces jasně sdělen při podávání zprávy o výzkumu. Je potřeba pečlivě zvážit používání frází typu „objevila se témata“, protože to evokuje situaci, ve které témata leží a pasivně čekají v datech, až je výzkumník vytrhne. V popisu tohoto typu chybí sdělení, jak výzkumník témata „viděl/vnímal“ a rozhodl se, která z nich jsou pro studii relevantní.
Způsob reportování procesu kódování by měl být v souladu se zvolenou metodikou. Metoda vyžaduje pečlivé a konzistentní použití kódovacího schématu, společně se zprávami o spolehlivosti mezi jednotlivými hodnotiteli a počty, jak často se kód v datech objevuje. V případě spolupráce vícero výzkumníků nebo výzkumných týmů vyžaduje proces kódování pečlivé plánování a realizaci.
Pro kódování dat je již běžně užíván Computer-Assisted Qualitative Data Analysis Software - CAQDAS (Software pro počítačovou analýzu kvalitativních dat) jako pomoc výzkumníkům při správě, organizaci a analýze kvalitativních dat. Jde o mechanismus pro lepší organizaci a kódování dat, zahrnující různé analytické nástroje: pro vyhledávání obsahu, pro kódování, pro propojování, pro mapování nebo vytváření sítí, pro dotazování, pro psaní a anotaci.
Všechny zmíněné funkce pomáhají výzkumníkům konstruovat témata z velkých souborů dat, přesto vyžadují kódování dat manuálně. Samotný proces kódování je stále časově náročný a pracný. Lennon et al. vyvinuli pro výzkumné pracovníky v oblasti primární péče modelovou metodiku automatického/automatizovaného kvalitativního asistenta (automated qualitative assistant - AQUA), která slouží k rozšíření kvalitativního kódování rozsáhlých souborů dat a umožnění proveditelnosti kvalitativního výzkumu velkého rozsahu.
Interpretaci dat je možné chápat jako smysluplný výklad zjištěných výsledků, které je možné prezentovat individuálně (např. dle jednotlivých kategorií) nebo souhrnně (např. vztažené k cílům práce). Interpretace kvalitativních dat je zásadní a nezbytná, protože povyšuje výsledky kvalitativní studie z pouhého lokálního „příběhu“ na výpověď, která má potenciální význam pro širší okolí/publikum/společnost.
Zjednodušeně lze říci, že interpretace spočívá v systematickém označování důležitých (zajímavých nebo nesrozumitelných) míst v datovém materiálu. Následně výzkumník data komentuje, porovnává, třídí, propojuje a hledá souvislosti.
Iterativní kategorizace je systematická technika pro řízení analýzy, která podporuje a je kompatibilní se stávajícími běžnými analytickými přístupy (např. tematickou analýzou, rámcem, konstantním srovnáváním, analytickou indukcí, obsahovou analýzou, konverzační analýzou, analýzou diskurzu, interpretativní fenomenologickou analýzou a narativní analýzou). Svého cíle dosahuje tím, že umožňuje kódovat a analyzovat data podle tématu, události, příběhu, verbální interakce, významu, pocitu, myšlenky, kategorie, tématu, konceptu nebo teorie atd.
Lze ji použít u textových dat, která byla kódována deduktivně (na základě již existujících předtuch nebo teorií výzkumníka o otázkách, které budou v datech pravděpodobně důležité) a induktivně (na základě otázek, které vyplynou jako důležité ze samotných dat). Přínos IC spočívá v tom, že nabízí soubor standardizovaných postupů, které vedou výzkumníka od analýzy dat až po jejich interpretaci a zanechávají jasnou auditní stopu.
Při publikování kvalitativních studií je potřeba dodržovat mezinárodně uznávané pokyny, aby bylo zajištěno zveřejnění všech důležitých témat týkajících se plánu studie a výsledků. Většina akademických časopisů ve svých pokynech uvádí předpoklad, že autoři tyto pokyny následují a některé dokonce od autorů vyžadují, aby uvedli a/nebo nahráli pokyny pro vykazování, které byly použity při psaní článku.
Pro standardizaci a usnadnění publikace výsledků kvalitativního výzkumu mohou výzkumníci využít několik druhů standardů vykazování. COREQ - Consolidated criteria for reporting qualitative research (Konsolidovaná kritéria pro vykazování kvalitativního výzkumu) nabízí kontrolní seznam obsahující 32 položek/kritérií, které můžou výzkumným pracovníkům pomoci uvést důležité aspekty týkající se výzkumného týmu, metod studie, kontextu studie, zjištění, analýzy a interpretace. Je užitečný zejména pro kvalitativní výzkum, v němž byly provedeny rozhovory a/nebo ohniskové skupiny.
SRQR - Standards for Reporting Qualitative Research (Standardy pro vykazování kvalitativního výzkumu) jde o kontrolní seznam pokrývající širší škálu kvalitativního výzkumu. Nabízí standard reportování kvalitativního výzkumu, který vychází z přehledu různých pokynů. Jeho cílem je zlepšit transparentnost kvalitativního výzkumu a pomoci autorům při přípravě rukopisu.
ENTREQ - Enhancing transparency in reporting the synthesis of qualitative research (Zvýšení transparentnosti při podávání zpráv o syntéze kvalitativního výzkumu) pomáhá výzkumným pracovníkům uvádět syntézu zjištění z více kvalitativních studií. ENTREQ zahrnuje několik fází: vyhledávání a výběr kvalitativního výzkumu, hodnocení kvality a metody syntézy kvalitativních zjištění.
Více informací o kódování, analýze a interpretaci dat lze nastudovat v publikacích Johny Saldana (2021), Vanover (2021), Skjott a Korsgaard, (2019).
V kapitole jsme uvedli základní informace vymezující postavení kvalitativního výzkumu včetně jeho místa a role v získávání poznatků a důkazů nezbytných pro rozvoj teorie a praxe ošetřovatelství jako vědního oboru. Popsali jsme vybrané přístupy kvalitativního výzkumu a vybrané metody sběru a analýzy dat.
Vzhledem k charakteru publikace nejsou jednotlivé pasáže rozpracovány vyčerpávajícím způsobem, proto v textu odkazujeme na další publikace a autory, kteří se zkoumanou problematikou zabývají podrobněji.
V závěru kapitoly považujeme za užitečné upozornit na důležitost validity (platnosti) a reliability (spolehlivosti) kvalitativního výzkumu. Obě charakteristiky jsou klíčové pro generalizaci (zobecňování) výzkumných zjištění (a následnou tvorbu nových teorií) a současně zvyšují důvěryhodnost výzkumu.
Validita udává, zda prezentovaná výzkumná zjištění skutečně vypovídají o zkoumaném fenoménu neboli zda výzkumník skutečně zkoumal to, co původně zamýšlel zkoumat. Reliabilita vypovídá o tom, zda je možné v případě opakování výzkumu dospět k totožným či obdobným výzkumným zjištěním. Ačkoli je kvalitativní výzkum specifický zejména v tom, že jeho opakování zpravidla není možné - podmínky i kontexty jsou jedinečné a proměňují se v čase.
Z uvedeného důvodu kvalitativní výzkumníci věnují zvýšenou pozornost podrobnému popisu průběhu celého výzkumu. Nezbytné je především zdůvodnit výzkumnou otázku, vyčerpávajícím způsobem charakterizovat zkoumaný soubor, jasně a srozumitelně popsat postup sběru a analýzy dat, a interpretovat výzkumná zjištění vždy s oporou ve výzkumných datech a s přihlédnutím k limitacím vyplývajícím z kvalitativního charakteru výzkumu.
Předběžné stanovení cílů a výzkumných otázek. Je třeba zvolit hlavní tematickou linii (někteří autoři hovoří o tom, že je třeba „uplést tenkou červenou nit“), která se bude prolínat celou výzkumnou zprávou, respektive závěrečnou prací. Nejprve je třeba srozumitelně vyložit: o čem výzkum bude (viz úvodní kapitoly), proč je v kontextu dané vědecké disciplíny významný, jaké nálezy budou představeny, případně jaké teorie budou rozvíjeny, a jak bude text strukturován.
Provedení přehledu (rešerše) literatury týkající se zkoumaného fenoménu. Zdůvodnění relevance jednotli...
