Thematische analyse is een geschikte basistechniek om te leren werken met kwalitatieve data en vormt een goede basis om complexere technieken aan te leren. Het is een flexibele techniek die niet gebonden is aan een specifieke epistemologie of vorm van dataverzameling en is daardoor breed inzetbaar. Zoals beschreven in Braun & Clarke (2006) volgt deze techniek een helder stappenplan.

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa

Stap 1: kennismaken met de data

Maak je dataset klaar door bijvoorbeeld interviews of focusgroepen die je hebt gehouden te transcriberen en je observaties of tekstmateriaal (zoals documenten) te organiseren. Lees al deze data actief door en denk na over de betekenis van je data, zodat je er een ‘gevoel over krijgt’. Actief lezen doe je door jezelf vragen te blijven stellen, zoals “wat zegt dit over mijn onderwerp?” Maak ondertussen notities of memo’s van de eerste ideeën, aspecten die je opvallen en patronen die je herkent. Je kunt al beginnen met deze stappen ook al heb je nog niet al je data verzameld.

Stap 2: initiële codes aanmaken

Je kunt kwalitatieve data met de hand coderen, bijvoorbeeld in een Excel-schema, of met behulp van software voor kwalitatieve data-analyse, zoals NVivo (waarvoor je via de UU een licentie kunt gebruiken). Let op: software kan je helpen om je analyse- en codeerproces te structureren en overzichtelijk te houden, maar voert de analyse niet voor je uit.

Bij het coderen geef je een code aan een datafragment, bijvoorbeeld enkele zinnen uit een interviewtranscript. Je kunt echter ook een groter fragment of een document als geheel coderen. Een code geeft betekenis aan het geselecteerde fragment en beschrijft zo duidelijk mogelijk waar het fragment over gaat. Zorg ervoor dat het begin en einde van een gecodeerd fragment samen een betekenisvol geheel vormen en geef de code een naam die past bij de inhoud van het fragment.

• Een fragment gaat over 1 duidelijk onderwerp
• Fragmenten mogen overlappen
• Fragmenten moeten op zichzelf kunnen staan
• Fragmenten mogen over meerdere dingen tegelijk gaan

Deze codes kunnen deductief zijn, bijvoorbeeld aan de hand van je theorie-gedreven codeerschema. Ze kunnen ook inductief zijn en voortkomen uit jouw data. In een eerste stap blijf je nog dicht bij je data. Nvivo codes zijn letterlijke verwoordingen uit een fragment. Maak zoveel codes aan als nodig. Je hoeft niet alle tekst in je data een code toe te kennen en sommige fragmenten kun je meerdere codes geven. Belangrijk is om systematisch te werk te gaan en door te gaan tot je tot een punt van verzadiging/saturatie bereikt.

Door het coderen van je data ben je deze aan het structureren om analyse mogelijk te maken. Het is dus niet een doel, maar een hulpmiddel. Hiermee maak je je data ‘beheersbaar’ en indexeer je deze, zodat de verschillende datafragmenten straks makkelijker terug te vinden zijn. Je zet hiermee de eerste stap om uiteindelijk je data te kunnen analyseren: het herkennen van patronen en thema’s.

Coderen is een iteratief en reflexief proces. Tijdens en na het coderen blijf je reflecteren: moeten sommige codes worden samengevoegd? Past de gegeven code bij een tweede blik nog steeds bij het fragment? Is het consistent met wat je eerder hebt gedaan? Per code kun je een uitleg en relevantie toevoegen voor je onderzoek. Dit kan je eigen herinnering helpen opfrissen en is ook belangrijk als je als groep codeert, zodat iedereen hetzelfde idee heeft over wanneer je een fragment een bepaalde code toekent. Het codeerproces is het maken van keuzes (wat codeer je wel en niet en welke code ken je toe aan fragmenten), welke je uiteindelijk zal moeten kunnen verantwoorden. Het is geen neutraal proces. Maak hierover dus aantekeningen: wat zijn de relaties die je verder wil onderzoeken.

Stap 3: zoeken naar thema’s

Nu ga je je codes verder organiseren, categoriseren en analyseren door het identificeren van overkoepelende thema’s. Thema’s zijn abstracter dan je initiële codes. Vergelijk bijvoorbeeld je codes. Zijn er codes die bij elkaar passen of verschillende aspecten van een overkoepelend thema beschrijven? Soms kan je initiële code een thema worden, maar vaak is er een nieuw label nodig om meerdere codes te kunnen verheffen tot een thema. Het kan ook relevant zijn om een begrip uit je theoretisch kader toe te kennen als code of thema.

Je hebt nu waarschijnlijk zoveel codes dat je moet gaan prioriteren. Codes met veel gecodeerde fragmenten of fragmenten uit verschillende bronnen kunnen een aanwijzing zijn dat een code belangrijk is. Toch is niet het aantal fragmenten of bronnen doorslaggevend: een thema is vooral relevant als het bijdraagt aan het beantwoorden van je onderzoeksvraag.

Waar je in een eerdere fase zoveel codes als nodig identificeerde, breng je deze nu terug tot een behapbaar aantal thema’s, bij voorkeur maximaal tien. Soms is het nuttig om een hiërarchie aan te brengen. Twee of meer thema’s kunnen bijvoorbeeld onder een breder, abstracter thema vallen. Een dergelijke hiërarchie is echter niet altijd nodig; kies een structuur die past bij je onderzoeksvraag en je data.

Stap 4: thema’s controleren, herzien en aanscherpen

Begin met het controleren van de data die bij je codes en thema’s horen. Heb je genoeg onderliggende datafragmenten voor een thema en vormen deze samen een coherent patroon? Bv. Komt een incident vaker voor en overstijgt het dus het niveau van slechts een incident naar een herkenbaar patroon in je data? Zijn de thema’s en onderliggende datafragmenten een goede reflectie van de dataset als geheel? Dekken je huidige selectie aan thema’s de lading van je verzamelde gegevens? Als je onderweg nieuwe codes hebt aangemaakt, moet je terug naar al gecodeerd materiaal om na te gaan of die nieuwe code ook daar naar voren komt.

Er zijn wellicht thema’s die je nu weer kunt samenvoegen tot één thema of is er een thema die je toch beter kunt opsplitsen in twee of meer thema’s? Passen al je codes nog bij hun overkoepelende thema of moet je sommige datafragmenten verplaatsen naar passender thema’s? Misschien had je al een thema aangemaakt en vind je die nu niet meer relevant, laat deze dan achterwege. Je kunt nu ook je definities en labels voor je thema’s verbeteren of aanscherpen. Denk nu ook na over hoe de verschillende thema’s zich tot elkaar verhouden en passen in één verhaallijn en jouw onderzoeksdoel en –vraag.

Belangrijk bij analyse is om jezelf vragen te blijven stellen en je data te blijven bevragen, keer je data binnenstebuiten en wees kritisch op jezelf.

Je kunt je analyse afronden wanneer je een punt van saturatie of verzadiging hebt bereikt. Bij het opnieuw doornemen van je ruwe data, codes en thema’s komen er geen nieuwe codes of thema’s meer naar voren die relevant zijn voor je onderzoeksvraag. Je hebt de relevante fragmenten uit je data gecodeerd en je analyse levert geen nieuwe inzichten meer op over de betekenis en samenhang van je codes en thema’s.

Ook wanneer je de resultaten uitwerkt, ontdek je geen nieuwe inzichten meer over de relaties tussen je thema’s of over de manier waarop deze zich verhouden tot je theoretisch kader. Saturatie betekent dus niet alleen dat je geen nieuwe codes of thema’s vindt, maar ook dat je voldoende inzicht hebt in de betekenis en samenhang ervan om je onderzoeksvraag te kunnen beantwoorden.

Stap 5: rapporteren van analyse

Beschrijf je bevindingen door de thema’s op logische volgorde aan bod te laten komen en analytisch te bespreken. Gebruik citaten van gecodeerde fragmenten als illustratie én bewijs. Vermijd cherrypicking en zorg dat het citaat representatief is voor het punt dat je wil maken. Gebruik citaten niet te veel, maar ook zeker niet te weinig. Het is geen doel op zich, maar vervult een functie in je tekst.

Zorg dat je analyse van goede kwaliteit is. Dit houdt in dat je de verschillende keuzes die je maakt verantwoordt, je in je analyse inzicht geeft in je data (bijvoorbeeld door het gebruik van citaten). Laat zien dat je analyse systematisch is uitgevoerd en niet anekdotisch is (dus niet cherrypicking van interessante data die past bij jouw verwachtingen). Daarnaast moet je analyse natuurlijk nuttig zijn en je onderzoeksvraag beantwoorden. Maak expliciet wat jouw bijdrage is aan bestaande theorie en literatuur en aan de praktijk en maatschappij. Hier kan je de terugkoppeling maken naar je maatschappelijke- en wetenschappelijke relevantie. Je kunt je analyse ook bespreken met je onderzoeksparticipanten om de geloofwaardigheid van jouw analyse te beoordelen.

Inhoudsanalyse of contentanalyse is een deductieve vorm van het analyseren van je documenten en andere vormen van communicatie (geschreven, visuele of audio). Een inhoudsanalyse bestaat uit de systematische analyse van teksten (geschreven of gesproken) en beelden.

Bij contentanalyse onderzoek je systematisch hoe vaak bepaalde categorieën, kenmerken of thema’s in je data voorkomen. Deze categorieën leid je vaak af uit je theoretisch kader. Je stelt vooraf een codeerschema op waarin je vastlegt welke kenmerken je in de data gaat zoeken en hoe je deze codeert. Vervolgens pas je dit schema zo consistent mogelijk toe op alle relevante data. Door de aanwezigheid of frequentie van codes vervolgens te tellen, kun je kwalitatieve tekstdata ook kwantificeren. In het voorbeeld hieronder kijken de onderzoekers naar place branding in twee verschillende grensregio’s in Canada en de Verenigde Staten. Hiervoor gebruikte ze materiaal dat openbaar beschikbaar is op websites van verschillende overheidsinstanties van die regio’s die ze binair gecodeerd hebben op basis van een vooraf opgesteld codeerschema (zie tabel 1 in het artikel). Vervolgens hebben de onderzoekers de twee locaties middels een z-toets met elkaar vergeleken en ook ruimtelijke patronen onderzocht en gevisualiseerd met behulp van GIS.

Voorbeeld: ‘place branding’ in Michigan en Ontario

Sadler, R., Cleave, E., Arku, G., & Gilliland, J. (2015). A comparative analysis of place branding in Michigan and Ontario. Urban Research & Practice, 9(1), 16–36. https://doi.org/10.1080/17535069.2015.1037341

Vraagstelling:

RQ1: Is there a difference in the rate of place branding usage at the municipal level
in Michigan and Ontario?

RQ2: Is there a difference in the place branding messaging at the municipal level
in Michigan and Ontario?

Do neighbouring municipalities follow geo-graphical trends and contribute to a homogenization of branding? If so, there should be similarity in the branding outcomes across space, such as similar usage levels among similar types of municipalities.

Dataverzameling:

This study draws on the semiotic relationships present in the visual identities of
urban centres in Michigan (n = 1774) and Ontario (n = 414) and their geographic
relationship to one another to identify which areas of local economic development are
privileged by their presence in brands. The visual elements were drawn from a systematic
and comprehensive inventory of brand imagery present on municipal websites in
Michigan and Ontario.

The content of websites was systematically examined and classified based on a series
of guidelines developed prior to data collection. Hanna and Rowley’s (2008) categories of
primary place brand messages were expanded upon in this analysis to develop the
classification scheme used to guide the semiotic analysis and classify the content of the
web pages into the following broad categories: culture, industry, agriculture, tourism-
environment, tourism-recreation, heritage, and stylization (Table 1). Each of these cate-
gories covers a broad sector of the economy, and usage therefore implies a desired
connection between the municipality and the audience that is interested or involved in
that sector. The broad categories allowed all place branding messages encountered to be
classified.

To collect the data acquired through the semiotic analysis, a simple binary coding
system was developed in which the brand categories present within each municipality’s
visual identity were recorded.

Analyse:

Comparative analysis: We used a two sample z-test for difference of proportions. The statistical comparison of place branding in Michigan and Ontario was completed
two ways: first, a comparison of the overall rates of place branding; and second, a
comparison of the frequency of each brand category

GIS visualization and point density analysis: First, we mapped the prevailing place brands onto the polygon corresponding to the geographical boundaries of each municipality. We then converted the municipal boundary polygons into points, weighted the points by the population, and conducted point density analysis for each of the seven place brand categories. Second, we calculated the population-weighted point density of individual place brands to determine the most common place brand at any specific location within the
entire Michigan–Ontario region.

Resultaat:

RQ1 can therefore be satisfied with the answer that there is a difference between Michigan and Ontario in the rate of place branding occurring. As a result, based on the three
measures of comparison, it can be concluded that place branding is being systemically
adopted more frequently across all forms of municipalities in Ontario.

RQ2: We found that Michigan’s municipalities were more likely to promote culture (observed in 20.3% of Michigan’s communities as compared to 8.3% in Ontario) and industry (16.9% to 12.6%). Alternatively, Ontario’s municipalities privileged agriculture (14.7% to 6.9%), heritage (12.8% to 9.3%), and recreation (12.1% to 9.3%). Finally, two categories – nature (33.5%) and stylization (at approximately 6%) – were used equally among municipalities in both regions. (…) Ultimately, the second stage of analysis (RQ2) demonstrates that there are significant differences in the way place branding manifests itself at the local level.

Inhoudsanalyse is een transparante onderzoeksmethode. Het coderingsschema en de steekproefprocedures kunnen duidelijk worden uiteengezet, zodat replicaties en vervolgstudies mogelijk zijn. Het is daarnaast redelijk eenvoudig om met inhoudsanalyse ontwikkelingen in de tijd in kaart te brengen. De methode heeft bovendien als voordeel dat het ‘unobtrusive’ (d.w.z. niet opdringerig) is. Je hoeft namelijk geen respondenten te benaderen om jouw onderzoeksvragen te beantwoorden. Inhoudsanalyse is tot slot een heel flexibele methode. Het wordt vooral geassocieerd met de analyse van massamedia-uitingen, maar kan toegepast worden op allerlei andere soorten teksten (bijvoorbeeld beleidsdocumenten). Er zitten (uiteraard) ook beperkingen aan inhoudsanalyse. In de eerste plaats is de analyse afhankelijk van de kwaliteit van de documenten. Deze moeten dan ook zorgvuldig worden geselecteerd. In de tweede plaats is het vrijwel onmogelijk om coderingshandleidingen te ontwikkelen die geen enkele interpretatie van de kant van de codeerders vereisen. Hoewel inhoudsanalyse vaak wordt aangeduid als een objectieve analysemethode is het niet uit te sluiten dat er verschillen in interpretaties zijn tussen de codeerders en de personen die de documenten hebben geproduceerd. In de derde plaats is het lastig om naast manifeste inhoud ook latente inhoud te achterhalen. De manifeste inhoud is de letterlijke, zichtbare inhoud van een tekst of document. Daar komt geen interpretatie bij kijken. Je telt wat er daadwerkelijk staat (bijvoorbeeld in een onderzoek over migratie tel je in krantenartikelen hoe vaak woorden als “migranten”, “vluchtelingen” of “asielzoekers” voorkomen).

De latente inhoud slaat op de diepere betekenis, onderliggende boodschap of impliciete thema’s in een tekst. Dit vraagt wel om een interpretatie door de onderzoeker (bijvoorbeeld wordt migratie neergezet als bedreiging, af te leiden uit woorden als “crisis”, “druk” en “probleem” of als iets dat positief bijdraagt aan de samenleving, af te leiden uit woorden als “kansen”, “arbeidsparticipatie” en “culturele verrijking”). In de vierde plaats is het met inhoudsanalyse niet echt mogelijk om antwoord te geven op waarom vragen (je vindt bijvoorbeeld wel dat migratie vaak als bedreiging wordt voorgesteld, maar het is moeilijk vast te stellen waarom dat gebeurt).

Overigens kan inhoudsanalyse ook op een kwalitatieve manier worden uitgevoerd. Bij kwalitatieve inhoudsanalyse bestudeer je systematisch documenten en teksten, waarbij je vooral kijkt naar de betekenis en context van de inhoud. De onderzoeker speelt hierbij een actieve rol in het interpreteren en construeren van betekenis. In plaats van vooraf vastgestelde categorieën te gebruiken, leid je categorieën en thema’s tijdens het analyseren uit de data zelf af. Dit wordt een inductieve aanpak genoemd. De context waarin een tekst of fragment voorkomt, is daarbij belangrijk, omdat deze context mede bepaalt hoe je de betekenis ervan kunt begrijpen. /collapse]

Narratieve analyse is een kwalitatieve onderzoeksmethode waarbij je verhalen van mensen bestudeert om te begrijpen hoe zij gebeurtenissen ordenen, betekenis geven en communiceren. Het uitgangspunt is dat mensen hun ervaringen vaak in de vorm van verhalen vertellen — met een begin, midden, eind, hoofdpersonen, spanningen en keerpunten. Die verhalen zijn geen “neutrale” beschrijvingen, maar actieve constructies waarin de verteller keuzes maakt over wat belangrijk is, hoe gebeurtenissen met elkaar verbonden worden en welke boodschap het verhaal uitdraagt.

Als onderzoeker verzamel je verhalen via interviews, autobiografieën, dagboeken, brieven, of zelfs social media posts. In je analyse identificieer je narratieve elementen, zoals tijdslijn, sleutelgebeurtenissen, keerpunten, personages en interpreteer je betekenissen (hoe verbindt de verteller gebeurtenissen? Welke identiteit of boodschap wordt zo neergezet?) en bedt die in een context in (je neemt de sociale, culturele of historische achtergronden van de verteller mee). Als je bijvoorbeeld onderzoekt hoe mensen een verhuizing naar een ander land beleven, luister je in een narratieve analyse naar het hele levensverhaal zoals zij dat zelf vertellen. Je kijkt bijvoorbeeld of ze hun migratie framen als een avontuur, een noodzaak, een verlies, of een nieuwe start — en welke rol familie, politiek of persoonlijke dromen daarin spelen.

Het belangrijkste verschil met ‘Interpretatieve Fenomenologische Analyse’ (IFA) is dat IFA zich richt op de beleving zelf — wat iemand ervaart en hoe hij/zij daar betekenis aan geeft. Het gaat om het begrijpen van de kern van de ervaring. Narratieve analyse richt zich op het verhaal dat iemand vertelt — hoe gebeurtenissen worden gestructureerd, welke verhaallijnen en rollen er zijn, en hoe het verhaal identiteit en betekenis vormt.

Discoursanalyse is een kwalitatieve onderzoeksmethode die onderzoekt hoe taal wordt gebruikt om de werkelijkheid, macht en sociale relaties vorm te geven. Het gaat niet alleen om wat er gezegd of geschreven wordt, maar ook om hoe dat gebeurt, in welke context, en met welk effect. Volgens Maarten Hajer (2000, p. 17) verwijst een discours naar “het geheel van min of meer samenhangende ensembles van ideeën, concepten en categoriseringen die we in bepaalde discussies kunnen terugvinden” (Hajer, M., Politiek als vormgeving, Amsterdam, 2000). Het kernidee van discours analyse is ‘taal als sociaal handelen’. Taal wordt gezien als iets dat niet alleen dingen beschrijft, maar ook dingen doet. Discours wordt altijd begrepen in relatie tot de sociale, politieke, culturele en historische context waarin het voorkomt. Een specifieke vorm van discoursanalyse is kritische discoursanalyse waarin taalgebruik bestudeerd wordt in relatie tot macht, ideologie en sociale ongelijkheid. Het onderzoekt hoe taal wordt gebruikt om sociale structuren, machtsverhoudingen en overtuigingen te construeren en te reproduceren.

Bij een discoursanalyse kunnen verschillende typen tekst worden geanalyseerd (toespraken, media-artikelen, beleidsdocumenten, sociale media posts, interviews). De analyse richt zich op zaken als woordkeuze, metaforen, herhalingen, grammaticale en de totstandkoming van frames. Een sociaal-geografische onderzoek zou bijvoorbeeld kunnen onderzoeken hoe kranten spreken over “probleemwijken”. Daarbij valt wellicht aan de ene kant een discours over “louche buurten” te ontdekken, waarin criminaliteit en verloedering wordt benadrukt en anderzijds een discours over “kansrijke wijken”, waarin de nadruk ligt op de potentie en de ontwikkelingsmogelijkheden van deze wijken. Deze verschillende frames beïnvloeden niet alleen hoe bewoners, beleidsmakers en investeerders de wijk zien, maar ook welke acties ze ondernemen (bijvoorbeeld investeringsbeslissing, verhuisbeslissingen).

Ten grondslag aan deze techniek ligt het werk van Glaser en Strauss (1967). (Glaser, B. G., & Strauss, A. L. (1967). The Discovery of Grounded Theory: Strategies for Qualitative Research. Aldine). De techniek lijkt op een thematische analyse, maar de focus ligt op het inductieve proces om theorie te ontwikkelen vanuit de kwalitatieve data zelf. Je maakt dus uitsluitend inductieve codes aan die eerst dicht bij de data blijven (bijvoorbeeld woordgebruik in een document of van een respondent), waarna je abstractere codes of thema’s gaat aanmaken.

Het kernidee van grounded theory is dat je begint zonder vastomlijnde hypotheses en dat patronen, concepten en uiteindelijk een theoretisch model geleidelijk ontstaan door systematische analyse van verzamelde gegevens. Dataverzameling en analyse gaan in elkaar over in een iteratief proces. Nieuwe inzichten sturen welke vragen je daarna stelt of wie je nog gaat interviewen (theoretical sampling).

Het coderen gebeurt doorgaan in 3 fasen:

Open coderen → het labelen van relevante stukjes tekst of observatie.

Axiaal coderen → verbanden leggen tussen codes en categorieën.

Selectief coderen → centrale categorie ontwikkelen die de kern van de theorie vormt.

Je vergelijkt voortdurend nieuwe data met bestaande data en codes om patronen en verschillen te ontdekken (constante vergelijking). Tijdens het analyseren noteer je gedachten, ideeën en verbanden om je theorievorming te ondersteunen (memo’s).

Door de jaren heen zijn er verschillende versies van grounded theory ontwikkeld. Lees je daarom goed in en verantwoord de keuze die je maakt voor een specifieke techniek. Om grounded theory goed uit te voeren is kennis en eerdere ervaring nodig; daarom bevelen wij deze techniek niet aan voor bachelorstudenten.

Lees meer over de Gioia methode:

Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2013). Seeking Qualitative Rigor in Inductive              Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. https://doi.org/10.1177/1094428112452151

Interpretatieve Fenomenologische Analyse (IFA) is een kwalitatieve analysemethode die zich richt op hoe mensen persoonlijke ervaringen begrijpen en betekenis geven.

Het combineert twee belangrijke invalshoeken:

Fenomenologie → bestuderen van de beleving zelf, zo dicht mogelijk bij de ervaring van de deelnemer.

Hermeneutiek (interpretatieleer) → analyseren hoe die ervaring wordt geïnterpreteerd, zowel door de deelnemer als door de onderzoeker (dubbele hermeneutiek).

Net als bij Grounded Theory gaat het om een iteratief en inductief proces, maar er zijn ook belangrijke verschillen. Het verschil tussen Interpretatieve Fenomenologische Analyse (IFA) en Grounded Theory (GT) zit vooral in het doel, de focus en de rol van interpretatie. Bij IFA maak je een gedetailleerde analyse van elk individueel geval, waarna je zoekt naar overeenkomsten en verschillen tussen cases. Bij GT maak je voortdurend vergelijkingen tussen alle data om categorieën te ontwikkelen. Het resultaat van IFA is een thematische beschrijving van ervaringen, met interpretatie over hun betekenis, terwijl je met GT streeft naar de ontwikkeling van een conceptueel schema of theoretisch raamwerk over het onderzochte fenomeen.

Voor meer informatie bekijk dit voorbeeld:

Van Duppen, J., & Spierings, B. (2013). Retracing trajectories: the embodied experience of cycling, urban sensescapes and the commute between ‘neighbourhood’ and ‘city’in Utrecht, NL. Journal of Transport Geography, 30, 234-243.

Er bestaan AI-programma’s die jou kunnen helpen bij het analyseren van data. Wees hier echter zeer voorzichtig mee. AI kan fouten maken en is niet altijd transparant over hoe codes, categorieën of thema’s tot stand komen. Daardoor is het moeilijk om de analyse methodologisch te onderbouwen en te herhalen. Bovendien zijn veel externe AI-tools niet geschikt voor het verwerken van onderzoeksdata, bijvoorbeeld omdat niet duidelijk is hoe zij met ingevoerde gegevens omgaan of of deze gegevens worden opgeslagen of gebruikt voor het trainen van modellen. Dit kan leiden tot problemen met privacy, gegevensbescherming en geïnformeerde toestemming van deelnemers. Ook kunnen AI-systemen vooroordelen of verzonnen informatie (zogenoemde hallucinaties) produceren. Daarnaast bestaan er nog steeds ethische risico’s waarom de UU het gebruik van dit soort programma’s afraadt, zoals wat betreft privacy van onderzoeksdata en participanten, vooroordelen en verzinsels.

Hamilton, L., Elliott, D., Quick, A., Smith, S., & Choplin, V. (2023). Exploring the Use of AI in Qualitative Analysis: A Comparative Study of Guaranteed Income Data. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231201504