Marktforschung

Mixed-Methods-Forschung: Was sie ist und welche Arten es gibt

Wenn Sie quantitative und qualitative Methoden in dieselbe Studie integrieren müssen, spricht man von Mixed-Methods-Forschung.

Mixed-Methods-Forschung wird oft als Kompromiss zwischen den Verfechtern quantitativer und qualitativer Forschung dargestellt.

Im Folgenden erfahren Sie mehr über die Vorteile der Kombination dieser Forschungsmethoden, die zu besseren Ergebnissen führen.

Was ist Mixed-Methods-Forschung?

Bei der Mixed-Methods-Forschung handelt es sich um eine Forschungsmethodik, bei der sowohl quantitative als auch qualitative Forschungsergebnisse gesammelt, analysiert und integriert werden.

Dieser Ansatz wird verwendet, wenn ein besseres Verständnis des Forschungsproblems erforderlich ist, das mit den einzelnen Methoden nicht erreicht werden kann.

Zu den quantitativen Daten gehören geschlossene Informationen, wie sie zur Messung von Einstellungen verwendet werden, z. B. Bewertungsskalen.

Die Analyse dieser Art von Daten umfasst die statistische Auswertung der gesammelten Werte, z. B. durch Umfragen, um Forschungsfragen zu beantworten oder Hypothesen zu testen.

Qualitative Daten sind offene Informationen, die in der Regel vom Forscher durch Interviews, Fokusgruppen und Beobachtungen gesammelt werden. Bei der Analyse qualitativer Daten (Wörter, Texte oder Verhaltensweisen) werden diese in der Regel in Kategorien eingeteilt, um einen Einblick in die Vielfalt der bei der Datenerhebung gesammelten Ideen zu erhalten.

Durch die Durchführung von Mixed-Methods-Forschung mit quantitativen und qualitativen Daten gewinnt der Forscher an Breite und Tiefe des Verständnisses und der Bestätigung, während er gleichzeitig die inhärenten Schwächen der getrennten Anwendung jedes Ansatzes ausgleicht.

Wann sollte man Mixed-Methods-Forschung einsetzen?

Bei der gemischten Forschung wird eine Vielzahl von Methoden und Datenquellen verwendet, um ein und dasselbe Phänomen zu untersuchen. Die Triangulation ermöglicht es Ihnen, Aspekte eines Phänomens genauer zu identifizieren, indem Sie es aus verschiedenen Blickwinkeln betrachten.

Eine erfolgreiche Triangulation erfordert eine sorgfältige Analyse der von den einzelnen Methoden gelieferten Informationen, einschließlich ihrer Stärken und Schwächen.

Mixed-Methods-Forschung ist ideal für:

• Wenn Sie Ergebnisse, die mit anderen Methoden gewonnen wurden, validieren oder untermauern wollen.
• Wenn Sie eine Methode als Grundlage für eine andere verwenden müssen. Zum Beispiel, wenn nur wenig über ein Thema bekannt ist und Sie wissen müssen, welche Variablen Sie zuerst mit qualitativer Forschung untersuchen wollen, um dann diese Variablen mit einer großen Stichprobe von Personen mit quantitativer Forschung zu untersuchen.
• Wenn Sie eine Forschungsfrage kontinuierlich aus verschiedenen Blickwinkeln analysieren und unerwartete Ergebnisse und/oder mögliche Widersprüche klären wollen.
• Wenn Sie die Ergebnisse anderer Methoden weiter ausarbeiten, klären oder darauf aufbauen wollen. Zum Beispiel, wenn Sie durch experimentelle Forschung einen kausalen Zusammenhang festgestellt haben, aber durch qualitative Forschung die beteiligten Kausalprozesse verstehen und erklären wollen.
• Wenn Sie eine Theorie über ein bestimmtes Phänomen entwickeln und diese dann überprüfen wollen. Im Allgemeinen eignet sich die qualitative Forschung besser für die Theoriebildung, während die quantitative Forschung eine bessere Möglichkeit zur Überprüfung von Theorien bietet.
• Wenn Sie die Ergebnisse der qualitativen Forschung verallgemeinern wollen.

Vorteile der Mixed-Methods-Forschung

Im Folgenden finden Sie einige der Vorteile, die eine Mixed-Methods-Forschung für Ihr nächstes Projekt bieten kann:

• Durch die Verwendung beider Arten von Forschung können die Stärken der einzelnen Ansätze die Schwächen des jeweils anderen ausgleichen.
• Sie ermöglicht ein vollständigeres und umfassenderes Verständnis des Forschungsproblems als bei einer getrennten Vorgehensweise.
• Bietet einen besseren Ansatz durch die Entwicklung besserer und spezifischerer Instrumente entsprechend dem Forschungskontext.
• Hilft bei der Erklärung der Ergebnisse oder der Funktionsweise kausaler Prozesse.

Nachteile und Einschränkungen

Die Mixed-Methods-Forschung hat einige Nachteile, zum Beispiel:

• Das Forschungsdesign kann sehr komplex sein.
• Die Planung und Durchführung dieser Arten von Forschung erfordert viel mehr Zeit und Ressourcen.
• Es kann schwierig sein, eine Methode unter Verwendung der Ergebnisse einer anderen zu planen und durchzuführen.
• Es kann unklar sein, wie Diskrepanzen bei der Interpretation der Ergebnisse gelöst werden können.

Arten von Mixed-Methods-Forschung

Bei der Entscheidung, welche Art von Mixed-Methods-Forschung verwendet werden soll, ist es wichtig, das übergeordnete Forschungsziel, die spezifischen Forschungsfragen sowie die Stärken und Schwächen der einzelnen Methoden zu berücksichtigen.

Im Folgenden werden die vier wichtigsten Formen der Mixed-Methods-Forschung vorgestellt:

• Sequentieller Erklärungsansatz: Dieser Ansatz umfasst die Erhebung und Analyse quantitativer Daten, gefolgt von der Erhebung und Analyse qualitativer Daten. Der Schwerpunkt liegt auf den quantitativen Daten, und die Schlussfolgerungen werden in der Interpretationsphase der Studie integriert.
• Sequentielles exploratives Design: Bei diesem Design folgt auf die Erhebung und Analyse qualitativer Forschungsdaten die Erhebung und Analyse quantitativer Daten. Dem qualitativen Aspekt der Studie wird Vorrang eingeräumt, und die Schlussfolgerungen werden in der Interpretationsphase der Studie integriert.
• Gleichzeitige Triangulationsstrategie: Bei diesem Design gibt es nur eine Datenerhebungsphase, in der die quantitative und qualitative Datenerhebung und -analyse getrennt, aber gleichzeitig durchgeführt werden. Die Ergebnisse werden in der Interpretationsphase der Studie integriert. Beide Arten von Forschung werden in der Regel gleichrangig behandelt.
• Gleichzeitige Verschachtelung: Bei diesem Design der Mixed-Methods-Forschung wird nur eine Phase der Datenerhebung verwendet, in der eine vorherrschende Methode (quantitativ oder qualitativ) die andere, weniger priorisierte Methode (qualitativ bzw. quantitativ) verschachtelt. Diese Verschachtelung kann bedeuten, dass die eingebettete Methode eine andere Frage als die vorherrschende Methode behandelt oder Informationen auf unterschiedlichen Ebenen sucht. Die mit den beiden Methoden erhobenen Daten werden in der Analysephase des Projekts vermischt.

QuestionPro bietet Ihnen die Möglichkeit, Mixed-Methods-Forschung auf unserer Plattform zu betreiben. Zum Beispiel durch Online-Communities, ein Tool, mit dem Sie qualitative Forschung durch Fokusgruppen oder Online-Diskussionsforen durchführen können, sowie durch Umfragen und Abstimmungen für eher quantitative Daten.

Wenn Sie mehr darüber erfahren möchten, wie Sie diese beiden Forschungsmethoden in derselben Plattform zusammenführen können, fordern Sie eine Demo an und lernen Sie das volle Potenzial der Plattform kennen.

1:1 Live Online-Präsentation:
QUESTIONPRO MARKTFORSCHUNGS-SOFTWARE

Vereinbaren Sie einen individuellen Termin und entdecken Sie unsere Marktforschungs-Software.

Software für Marktforschung und Experience Management jetzt 10 Tage kostenlos testen!

Sie haben Fragen zum Inhalt dieses Blogs? Kontaktieren Sie uns ganz einfach über das Kontaktformular. Wir freuen uns auf den Dialog mit Ihnen! Testen Sie zudem QuestionPro 10 Tage kostenlos und ohne Risiko in aller Ruhe und Tiefe!

WEITERFÜHRENDE STICHWORTE

Arten von Forschung | Empirische Forschung | Forschungssynthese

DIESEN ARTIKEL TEILEN

STICHWÖRTER DIESES BLOG-BEITRAGS

Mixed-Methods-Forschung | Mixed-Methods | Forschung

• Forschungssynthese: Verstehen Sie Ihre Forschungsergebnisse
• Was ist der Mittelwert, Median und Modus?
• Forschungsprozess: Schritte zur Durchführung der Forschung
• Arten von Forschung und ihre Merkmale
• Digitale Verhaltensdaten: Was sie sind, ihre Bedeutung und Risiken
• Datenfilterung: Was sie ist, Vorteile und Beispiele
• Datenwissenschaft und künstliche Intelligenz: Was ist besser?
• Big Data und künstliche Intelligenz: Wie funktionieren sie zusammen?