질적연구방법론 11-주제분석

출처 : 질적연구방법론 서울대 사범대 사회교육과 김준겸 교수님 강의노트 정리

 

용어정리

- Data corpus: 특정 연구 프로젝트에서 수집한 모든 데이터.

- Data set: corpus에서 분석에 사용되는 모든 데이터.

- Data item: 수집된 데이터의 개별적 부분. 이것이 모여서 set, corpus를 이룸

- Data extract: 개별적으로 코딩된 데이터 덩어리. Item에서 추출된 것.

 

1. 주제분석: 데이터 내의 패턴(주제)를 파악, 분석, 정리하는 방법

1. 특징 : 질적 연구초보자에게 복잡한 이론적 배경을 요구하지 않기에 쉽게 분석 작업에 참여할 수 있음. 다양한 이론, 관점, 연구 질문에 적용 가능하며 연구 설계가 진행 중에도 수정될 수 있는 유연성이 있다. 인터뷰, 대화, 경험 등 다양한 맥락 데이터를 활용해 해석. 단순한 기술이나 객관적 진실 추구가 아닌 연구자가 데이터를 해석하고 의미를 부여하는 적극적인 역할을 수행.
2. 과정 : 연구자가 데이터를 반복해서 읽으며, 전체적인 맥락 이해함(데이터 몰입), 텍스트의 의미 단위를 코드를 지정하고 유사한 코드를 묶어서 대표적 주제로 조직(코딩 및 주제 도출), 주제는 데이터가 생성된 사회, 문화, 역사적 맥락에 따라 의미가 달라짐(맥락적 해석), 분석과정에서 연구자의 경험, 신념, 관점이 해석과 의미부여에 적극적으로 작용하므로 자신의 위치를 성찰하고 해석과정을 투명하게 기록하는 것이 중요(연구자의 위치성과 투명성)
3. 주제(패턴), 기술(서술)의 차이 : 기술(서술)은 관찰, 진술 단계를 넘지 않지만, 주제(패턴)은 반복적 핵심적 의미를 발견해 연구자의 적극적 해석과 의미 설정이 필수.
4. 연구자의 적극적 역할과 위치성 : 연구자는 데이터에서 직접 의미를 찾고 해석적 테마를 만들어낸다. 자신의 관점, 편향, 해석 기준을 분석과정 전체에서 반성하고 결과보고서에서 어떤 시각에서 해석했는지 명확히 설명(성찰과 투명성). 해석과정의 투명성과 충분한 성찰은 분석의 신뢰성과 설득력이 높임(정당성 확보)

 

1. 주제분석에서의 선택

1. 주제 : theme이란 연구질문과 관련해 데이터에 포착된 중요한 것, 코딩 단계에서 반복되고 의미있는 패턴들이나 응답의 구조적인 함의, 주제는 반드시 사례일 필요는 없으면 연구자의 일관된 판단과 유연성이 필요. 빈도가 아닌 연구 질문과 연결되는 '핵심성'이며 연결성이 강조. 데이터 참여자 본인은 인식하지 못하지만 동의할만한 심층적 의미나 구조가 바람직.
2. 주제의 크기와 패턴의 연결 : 주제의 크기는 정해진 규칙이 없다. 너무 크면 전체적 설명에 가깝고 너무 작으면 상세한 기술이 됨. 연구초점, 질문에 따라 달라지며, 분석의 유연성 유지와 일관성 확보 필요.
3. 풍부한 서술과 상세한 설명 : 전체 데이터셋의 풍부한 주제 기술을 지향하면 연구 참여자 경험과 맥락을 포괄적으로 반영. 특정 주제나 영역에 집중하여 상세하고 정교한 설명을 얻고자 할 때 한 두가지 주제를 깊이 파고듦.
4. 귀납적, 연역적 분석 : 데이터에서 직접 주제를 도출. 기존 이론에 얽매이지 않고 데이터 자체의 의미와 구조 중심으로 접근(귀납적, inductive), 연구자의 이론이나 기존 프레임에서 관심, 초점을 설정하고 해당 부분을 중심으로 주제를 분석(연역적, deductive). 대부분의 실제 연구에서 두 접근이 혼합
5. 의미론적, 잠재적 주제 : 데이터 표면적, 명시적 의미에 초점(의미론적, semantic). 참여자가 직접 진술한 내용을 중심으로 코딩 해석. 데이터 이면에 있는 생각 개념 구조를 심층적 분석하여 사회적 의미와 개인 경험의 본질 추적. 구성 패러다임 연결(잠재적, latent).
6. 인식론적 관점(본질주의/현실주의 vs 구성주의) : 본질주의(essentialist)현실주의(realist)는 동기, 경험, 의미를 직접적으로 이론화. 의미와 경험이 언어와 직접 연관. 구성주의(constructionist)는 경험과 의미가 사회적으로 생산되고 재생산된다. 사회문화적 맥락 구조에 초점. 잠재적 주제 접근과 밀접.
7. 연구 질문과 분석의 관계 : 연구 데이터 수집, 분석, 코딩을 돕는 질문, 연구를 추동하는 전체적 질문, 참여자에게 던진 질문이 존재. 이 질문 가짓수와 배열이 주제가 되는건 아니고 데이터 분석을 통해 연구 질문과 체계적으로 연결되는 해석적 구조(주제)를 도출해야 한다.

• 주제분석이 하나의 독립적 연구 방법론이 될 수 있지 존재론과 인식론의 관점에 따라 달라짐. 존재론(ontology)로 실재가 무엇인가. 즉 연구대상이 객관적으로 존재하는것인가 사회적, 심리적, 해석적 과정에서 구성된것인가. 인식론(Epistemology)는 지식은 어떻게 습득하는가에 관한 철학적 입장으로 연구자가 데이터를 해석하는 방식(실증주의, 해석주의, 구성주의)를 구성한다. 주제분석은 본질적으로 데이터를 정리하는 방법이지만 연구자가 구성적 근거이론(차메즈), 해석학적 접근(하이데거)를 가지고 있다면 주관적 경험의 의미 창출, 해석 과정 자체에 중점을 둔다. 하지만 실증주의, 현실주의 관점을 가지고 있다면 데이터가 실재 객관적으로 보고 표면적 의미 패턴을 찾는다. 또 구성주의를 지니면 데이터 내 경험 의미가 사회적으로 생산, 재생산되는 구조를 해석하려고 하며, 이것이 곧 방법론의 특징. 그래서 주제 분석이 단순한 기술 정리에서 벗어나 인식론적 기반 위에서 이론화, 체계화 된다면 질적 방법론으로 간주될 수 있음.

 

 

1. 주제분석의 단계 : 데이터를 반복적으로 읽고, 해석하며 의미의 패턴을 탐색, 정제하는 비선형적, 순환적 질적 연구 절차. 여러 번 왔다갔다하며 반복적으로 다듬어짐.

1. 데이터에 익숙하기 : 연구자는 데이터를 반복해서 읽으며 내용의 깊이와 넓이에 적극적으로 몰두함. 텍스트화작업(인터뷰 전사)을 통해 비언어적 표현, 뉘앙스까지 파악하고 아이디어를 기록하며 가능한 패턴을 미리 직감. 참여자 피드백을 통해 데이터의 신뢰성과 해석의 정확성을 높임.
2. 초반 코드 생성하기 : 데이터 내 흥미로운 특징과 반복구조를 코드로 분류. 귀납적 코딩(데이터 중심) 또는 연역적 코딩(이론 질문 중심) 중 어느 방식을 택할지 결정. 코딩은 분석적 메모(수동코딩), 소프트웨어 활용 등 다양한 방법. 모든 관심 있는 패턴을 충분히 코딩하고 맥락, 불일치까지 남겨둠.  ∙data-driven coding: 데이터에 근거해서 주제를 구성  ∙theory-driven coding: 대략 코딩을 하고 싶은 틀이 있고, 마음속의 특정한 질문과 함께 데이터에 접근. ∙수동 코딩: 분석하려는 데이터 텍스트에 필기, 포스트잇 사용. 처음에 코드를 먼저 찾고 그 코드를 나타내는 데이터 추출물(extract) 매치할 수도 있음. 모든 데이터가 코딩되어야 함.

∙소프트웨어를 활용한 코딩: data item을 태그, 명명.

1. 주체찾기 : 코드를 그룹화해서 잠재적 주제로 분류하고 관련 데이터 단편들을 모으기. 표, 마인드맵 등 시각화 도구를 활용해 주제들 사이의 구조와 관계를 드러냄. 미정의 코드도 임시로 기타로 분류해서 최종결정까지 보존.
2. 주제 다시보기(Reviewing Themes) : 각 주제 내 모아진 데이터 일관성, 전체 데이터셋에서 타당성을 검토. 일부 코드는 제거, 합병, 세분화되기도 하며 반복적 검토를 통해 주제지도를 리포지셔닝함. 포화될때까지 반복하지만 무한반복에 빠지지 않도록 균형 유지함.

한 주제 안의 데이터는 일관성 있어야 하고 서로 다른 주제 간의 명확한 구분이 있어야 함.

1. 주제 정의 및 명명 : 각 주제의 본질을 정리해 간결한 명칭과 함께 스토리라인 구축. 단순 요약이 아니 무엇이 흥미롭고 왜 중요한가 설명하며 연구 질문과 어떻게 연결되는지 명확히 드러냄. 주제별 범위와 구조가 선명해야 하며, 필요에 따라 하위주제나 병합도 검토. 주제를 선택하기 위해 관련 연구를 읽음으로써 타당한 근거를 마련하기. 문헌연구를 통해 스토리라인을 만들 수 있고, 독자는 연구자의 동기, 이해, 과정을 더 잘 이해할 수 있음.
2. 리포트 작성 : 데이터와 해석을 근거로 간결, 논리적, 일관성 있게 논의 조직. 생생한 예시와 핵심 주장이 잘 드러나도록, 단순한 기술에 머무르지 않고 연구 질문과 연관된 분석적 메시지를 강조.
3. 순환적 통합적 특성 : 선형적으로 진행되지 않고 반복적 검토, 수정. 리포트는 분석 과정 전체와 통합되어 분석 결과 보고와 해석적 작업이 서로 연동됨.

 

1.  지양할 점

- 데이터를 전혀 분석하지 않는 것: 단순히 데이터를 나열하거나 요약하는 것이 아님. 데이터가 무엇을 뜻하는지 표현해야 함.

- 데이터 수집 단계에 활용된 질문을 ‘주제’로 사용하는 것: 분석을 안 한 것임.

- 분석이 약하고 설득력 없음: 주제가 말이 안 되거나 너무 많이 겹치거나 주제 안에서 일관성이 없는 경우. 데이터로부터 적절한 예시를 찾지 못했을 때, 데이터의 대부분을 포착하지 못했을 때, 묘사나 해석을 못했을 때 발생함.

- 데이터와 그것을 분석한 연구자의 주장이 불일치하는 것: 데이터가 주장의 근거가 되지 못하거나 반대되는 이야기를 하는 경우.

- 이론과 분석적 주장, 또는 연구 질문과 사용된 주제 분석의 형태 간 불일치: 데이터 해석은 이론적 틀에 부합해야 함. 예) 경험적 연구의 틀을 채택했다면, 사회 구조적 차원에 대해서 이야기하면 안 됨.

- 해석을 진행하는데, 대상자의 말이나 경험을 넘어서 내가 하고 싶은 말을 하는 것. 대상자에게 (인지적으로) 공감하고 어떻게 해석하는지를 파악해야 함 > 그래도 해석의 여지는 있음.

 

1. 주제 분석의 장단점

1. 장점 : 다양한 데이터 유형, 연구질문에 적용 가능해 매우 폭넓게 활용. 특정 이론이나 인식론적 틀에 구애받지 않고 활용가능(유연성). 초보 연구자도 쉽게 접근 가능하고, 복잡한 이론적 배경 없이도 분석 가능(접근성). 데이터 내 내재된 패턴과 중요한 의미를 연구자가 적극적으로 해석하고 드러남(심층적 해석 가능). 현상학적 분석, 근거이론 등 다양한 질적 연구 방법 및 이론과 혼용가능(다양한 이론과 결합 가능)
2. 단점 : 유연성때문에 연구자가 무엇이 집중하기 결정어려움(초점의 어려움). 연구자의 편견이나 선입견이 분석에 영향을 미쳐 객관성 저하 가능성 존재(해석의 주관성). 특정 이론적 틀 없이 단순 기술로 끝난다면 해석력이 부족(단순 기술 위험성). 방법으로서 명확한 평가 기준이 부족하고, 실행과정의 명료성이 중요(명성 부족 및 평가절하). 데이터의 반복적 분석과 해석이 시간 많이 걸림(시간, 노동 소모)

 

1. 담론 분석과 주제 분석의 차이 : 담론분석은 문서, 연설, 면담 등 언어사용과 의사소통 양식을 중점에 둔 특정 장르나 의사소통 방식 연구에 적합. 주제분석은 말로 표현되지 않은 내면적 경험이나 비언어적 맥락까지 포함. 훨씬 넓은 범위로 다양한 데이터 유형에 적용 가능. 코딩 방식이 비슷하지만 주제 분석이 더 유연하고 광범위한 연구 대상에 적합.
2. 주제 분석 연구 사례

1. Building a framework of a supportive pedagogical culture for teaching and pedagogical development in higher education

- 핀란드 대학 공동체에서 식별 가능한 요소를 통해 교수학습 발전을 이루고자 함.

- 특히나 대학 공동체에서 교수학습 발전에 지지적인 사회·문화적 요소를 찾고자 함.

- 반구조화된 인터뷰를 통해서 3개의 테마, 하위 요소 등을 도출해냄

- > 전형적인 주제 분석 연구. 질적 연구의 내재적 한계로 데이터 수의 제한. 양적 연구와 다른 기준을 쓰기에 당연한 것이기에 자료의 삼각화나 다른 방식으로 약점을 보완할 필요가 있음

1. Making Sense of Burnout

- 개인의 경험에 따른 번아웃에 대한 이해를 분석함.

- 데이터를 잘 반영하는 연구인지, 연구자의 기존 생각을 반영하는 연구인지 적정선(fine line)은 존재하지 않음.

- 그러한 점에서 연구자들이 진실되는지를 제시해줘야 하며(reflective part), 그 선에 대해 얘기해야 함. 물론 비판적 성찰이 나타나기는 어렵고, 연구 의도와 데이터의 결과를 구분하고, 내 개입을 확인하는 것이 필요함