Startseite › Foren › QualVis-Frühjahr2022 › Übung QualVis-M1 Frühjahr 2022 › Mehrfachnennungen nach Häufigkeit › Antwort auf: Mehrfachnennungen nach Häufigkeit
Hallo Anita,
vielen Dank für das Teilen der Tabelle. Es fallen erstmal ganz viele Punkte positiv auf: Für einen Print-Report ist das eine klassische und auch gängige visuelle Aufbereitung. Die Farbgestaltung ist übersichtlich und die Nennungen sind nach der Häufigkeit sortiert, was das Lesen erleichtert. Die Namen der Kategorien sind auch so sprechend, dass man sich darunter gut etwas vorstellen kann. Die Frage, auf die geantwortet wurde ist angegeben, ebenfalls eine erläuternde Fußnote (da scheint noch ein Copy/Paste-Fehler zu sein). Das ist auch schon mal gut.
Die Tabelle ist funktional, und daher würde ich das Augenmerk der Diskussion gerne mehr auf die Frage ausrichten, ob man ggf. andere Inhalte hätte visualisieren können (s.u.).
Ich freue mich über Feedback,
viele Grüße,
Anita
– Zum Coding / Aufzeigen der Rohdaten, Zitate: Bezüglich des Codings fällt auf, dass viele der Codes für den Laien bzw. Nicht-Coder ähnlich lauten. Mir ist schon klar, wo eine Abgrenzung ist, jedoch nicht, inwieweit sie tatsächlich inhaltlich tragfähig ist. Es ist zumindest naheliegend, dass es bei den vorliegenden Definitionen relativ viele Mehrfachnennungen gegeben hat. Deswegen empfiehlt es sich immer, einer solchen Tabelle je Kategorie 1-2 Auszüge aus den Rohdaten beizufügen – dann kann der Leser nachvollziehen, wofür die Kategorien jeweils stehen.
– Zum Coding / zusätzliches Anwenden von Frameworks zum Coding: Wenn es bei den Daten um die Frage geht, ob eine Kampagne Wirkung erzielt hat, gibt es unterschiedliche Frameworks, die man für die Kodierung anwenden kann. Zum einen kann man sich an den Stufen psychologischer Modelle orientieren, z.B. Fishbein Modell/ Theory of reasoned action, hier würde man dann Einstellungen, subjektive Normen, Hinderungsgründe für ein Verhalten aufzeigen. Ziel wäre dann zu modellieren, wie die Kampagne im Hinblick auf die Verhinderung eines Verhaltens (= unter Drogeneinfluss am Straßenverkehr teilzunehmen) wirkt. Alternativ könnte man sich bei den Wirkmodellen der Kommunikationswissenschaftler bedienen, s. Outcome Stufen (https://amecorg.com/amecframework/framework/interactive-framework/ … hier Outcome klicken, dann auf das (i) Zeichen). Hier ginge es dann mehr darum, welche Zielebene die Kampagne verfolgte, z.B. Wissen vermitteln, emotional ansprechen etc. Beide alternativen Ansätze sind gut geeignet, um Coder zu briefen.
Der aktuelle Coding Ansatz unterscheidet sicher Aussagen, die im Material vorhanden sind – allerdings vermutlich mit hohen Überschneidungen. So dass sich die Frage stellt – ja, aber macht das einen Unterschied? Mit der Anwendung dieser etwas stringenteren Modelle s.o. als Ergänzung zum Coding am Material könnte man die Frage beantworten, ob man Menschen motiviert hat, ihr Verhalten zu ändern, bzw. ob und welche Kampagnenziele erreicht wurden
– Coding / Ergänzung der Tabelle: Aufbauend auf dem eben gesagten könnte man in der Tabelle zwei Aussagen unterscheiden, nämlich “kann mich nicht erinnern” – diese könnte man farblich markieren, denn hier hat die Kampagne kein Ziel erreicht. Die anderen Aussagen könnte man unterscheiden in “Kampagne hat informiert” (z.B. stellen tödliche Gefahr dar) und “Kampagne hat Einstellung geändert” (Aufmerksam machen & haben im Straßenverkehr nichts verloren). Das wäre quasi die “dirty” Variante
– Darstellung: Aktuell visualisiert die Tabelle die absolute Häufigkeit der Nennung. Wenn man kürzere Kategoriennamen hat, ist ein Code-Cloud dafür auch schön (bringt aber auch keinen deutlichen Mehrwert). Ihr könntet Code-Überschneidungen visualisieren, bei der möglicherweise sehr hohen Übereinstimmung der Codes wäre das aber ggf. nicht zielführend. Überlegenswert wäre eine Darstellung relativer Häufigkeiten. Das macht aber eben mehr Sinn, wenn man sagen kann: Grundgesamtheit teilt sich in Menschen auf, die die Kampagne erinnern und die sie nicht erinnern. Davon sagen X, sie haben neue Informationen (Kategorien A, B, C) und Y, dass sie ihre Einstellung geändert haben (Kategorie D, E, F). Das könnte ein Wasserfalldiagramm sein, oder ggf. auch eine bildhaftere Darstellung von Zielgruppen mit Symbolbildern.