相关性

不要盲目追随你所收集的数据;确保您最初的研究目标告知哪些数据可以进入分析,哪些数据不能进入分析。所有提交的数据都应该与您的目标相关和合适。不相关的数据将表明缺乏重点和思想不连贯。换句话说,重要的是,当涉及到你所包含的数据时,你要像你在文献综述中所做的那样,表现出同样的审查水平。通过告诉读者你的数据选择和分析背后的学术推理,你可以表明你能够批判性地思考,并深入到问题的核心。这是高等学术界的核心问题。

分析

重要的是,您应该使用适合于收集的数据类型和研究目的的方法。您应该用与您的集合方法相同的严谨来解释和证明这些方法。记住,你必须向读者表明,你并不是随意选择你的方法,而是基于长期研究和批判性推理得出的最佳选择。总体目标是确定数据中的重要模式和趋势,并有意义地显示这些发现。

量化的工作

定量数据是典型的科学和技术研究,在一定程度上需要社会学和其他学科进行严格的统计分析。通过收集和分析定量数据,您将能够得出可以推广到更广泛人群的结论(假设它具有代表性——这是您分析中要进行的基本检查之一)。在社会科学中,这种方法有时被称为“科学方法”,因为它起源于自然科学。

定性的工作

定性数据通常是,但不总是,非数字的,有时被称为“软”。然而,这并不意味着它需要更少的分析能力——你仍然需要对收集的数据进行彻底的分析(例如通过主题编码或语篇分析)。这可能是一项耗时的工作,因为分析定性数据是一个迭代过程,有时甚至需要应用解释学。重要的是要注意,使用定性方法的研究目的不是为了产生统计上具有代表性或有效的发现,而是为了发现更深层次的、可转移的知识。

彻底性

这些数据从来不是“不言自明”的。在定性研究中,相信这是一个特别常见的错误,学生们通常会给出一些引言,并认为这就足够了——事实并非如此。相反,你应该彻底分析所有你想用来支持或反驳学术立场的数据,在所有领域展示一个完整的参与和批判性的观点,特别是关于潜在的偏见和错误的来源。承认数据的局限性和优点是很重要的,因为这显示了学术可信度。

表象的设备

以可理解的方式表示大量数据是很困难的。为了解决这个问题,考虑所有可能的方法来展示你收集的东西。图表、图表、图表、报价和公式在某些情况下都具有独特的优势。表是以简洁的方式呈现数据的另一种极好的方式,无论是定性的还是定量的。要记住的关键是,当你展示你的数据时,你应该时刻记住你的读者,而不是你自己。虽然一个特定的布局可能对你来说是清晰的,但是问问你自己,对于一个不太熟悉你的研究的人来说是否同样清晰。通常情况下,答案会是“不”,至少对于你的初稿来说是这样,你可能需要重新考虑你的演示文稿。

附录

您可能会发现您的数据分析章节变得很混乱,但是您不愿意将您花费这么长时间收集的数据减少太多。如果数据是相关的,但是文本中难以组织,您可能希望将其移到附录中。数据表、样本问卷、访谈记录和焦点小组应放在附录中。只有最相关的信息片段,无论是统计分析还是被采访者的引用,都应该在论文中使用。

讨论

在讨论数据时,您需要演示识别数据中的趋势、模式和主题的能力。考虑各种不同的理论解释,权衡这些不同观点的利弊。讨论异常和一致性,评估每个异常的重要性和影响。如果你用的是面试,确保在你的讨论中包含有代表性的引语。

发现

分析您的数据后出现的要点是什么?这些发现应该清楚地表明,他们的断言得到了严密论证的推理和实证支持。

与文学的关系

在您的数据分析接近尾声时,建议您开始将您的数据与其他学者发表的数据进行比较,考虑到同意和不同之处。你的发现与预期一致吗?还是它们构成了一个有争议的或边缘的立场?讨论原因和影响。在这个阶段,重要的是要记住你在文献综述中说了什么。你确定的主要主题是什么?差距是什么?这和你自己的发现有什么关系?如果你不能把你的发现和你的文献综述联系起来,那就错了——你的数据应该总是与你的研究问题相符,你的问题应该来自文献。清楚而明确地显示这个链接是非常重要的。