Analys av data

För att analysera datan har vi valt att använda både en kvantitativ och kvalitativ metod. Då enkäterna har öppna svar kan vi analysera dessa svar kvalitativt. Samtidigt är enkäten och frågorna utformade på sådant sätt att de även medför en möjlighet till kvantitativ analys.

Exempel från första enkäten är de frågor där man ombeds ge svar på hur man tolkar en ikon. En av ikonerna föreställer ett lås, varpå vi kan förväntas få korta svar såsom enbart

“lås” eller ett längre svar “låser upp något”. Dessa kan då sammanställas kvantitativt som antal personer som svarade “lås” och “låsa upp”.

3.5.1 Kvantitativ analys

För att analysera datan från rangordningsdelen samt nominaldatan från kvalitativa analysen används en kvantitativ metod. Anledningen till att använda en mixad kvalitativ och kvantitativ metod för nominaldatan är för att kunna jämföra med predikatorvariabler.

Metoden för att analysera datan kvantitativt är baserad på de kvantitativa metoder som presenteras i Creswell och Creswell (2018). Då ikonerna har graderats efter konkrethet, visuell komplexitet och semantiskt avstånd kan därefter resultatet jämföras för att se samband mellan skillnader i dessa och den tolkning ikonerna har för att hjälpa besvara frågan hur ikonerna kan omformas för att bli tydligare.

Creswell och Creswell (2018) beskriver sex steg om hur man ska presentera sin dataanalys. Genom att följa dessa får man ett resultat där man kan följa hur det ena leder till det andra. Samtidigt är det en sammanfattning av vilka steg som kan användas i en kvantitativ dataanalys:

Sammanställning av antalet respondenter samt svarsbortfall: Svarsbortfall är antagandet att personer som av olika anledningar nekade till att delta i undersökningen hade svarat annorlunda.

Diskussion av svarsfel: Här diskuteras påverkan av svarsbortfall på resultatet. Olika metoder kan användas för att ta fram vilken påverkan det har på resultatet. En sådan metod är att jämföra hur svaren skiljer sig åt är att kontakta några icke-deltagare för att se om deras svar skiljer sig åt, vilket i så fall ger underlag för existensen av svarsfel. På grund av tidsbegränsningen samt omfattningen av detta arbete har någon analys av påverkan på svarsbortfall ej genomförts. Av samma anledning har ej något svarsbortfall tagits fram.

9

Deskriptiv analys: Här beskrivs hur analysen av variablerna i studien genom att visa hur medelvärden, standardavvikelser och lägsta samt högsta värden tagits fram. För likertskalan är enbart medelvärdet intressant, varpå övriga värden ej beräknats. Detta ger underlag till att veta hur en viss symbols tolkningsbarhetindex är i förhållande till symboler med samma funktion. Då nominaldatan ej är kvantitativ i grunden har någon deskriptiv analys ej gjorts.

Omvänd poängsättning och uträkning av poäng: Vid användning av likertskala i en enkät behöver man först evaluera om omvänd poängsättning behövs. Detta kan behövas för att beräkna resultaten om frågan är en negativt ställd fråga. I enkäterna är svarsalternativen med likertskala positivt ställda och någon omvänd poängsättning behövs således inte. När det skett beräknas ett medelvärde genom att summera poängen och dividera med antalet svar.

Statistik: Förklaring över varför valet av statistiskt test bäst lämpar sig för att svara på frågeställningarna. Resultatet från likertskalan presenteras med en frekvenstabell då målet är att se vilken ikon som anses vara lämpligast. För nominaldatan har simpel regressionsanalys använts för att se om konkrethet, visuell komplexitet och semantiskt avstånd enskilt kan förutspå vilken av ikonerna som bäst representerar en funktion. Det hjälper att besvara frågan hur ikoner kan omformas för att bli bättre, om sambandet mellan dessa visar på ett positivt resultat.

Presentation: Slutligen presenteras resultatet i tabeller eller grafer samt att resultatet från det statistiska testet tolkas. När resultatet tolkas bestämmer man statistisk signifikans för att säkerhetsställa att det inte beror på slumpen. Även effektstorlek och konfidensintervall kan beräknas för att bestämma slutsatsens noggrannhet och för att bestämma osäkerhet kring ett visst värde. Då underlaget för att beräkna effektstorlek är väldigt litet då det är fyra frågor med likertskala totalt över enkäterna med tre ikoner i samma kategori per fråga har någon effektstorlek ej beräknats. Något konfidensintervall har ej heller beräknats då det kräver upprepande av samma tester för att se hur resultaten skiljer sig åt, något som ej gjorts. För att spara tid har statistisk signifikans ej heller komplett, samt fortlöpande uppmärksamma om ens egna värderingar påverkar analysen genom partiskhet. Själva analysen genomförs genom att följa de fem delar Yin (2016) beskriver att de flesta kvalitativa analyser generellt följer. Dessa delar är följande:

Sammanställning: Denna fas handlar om att sortera den data som samlats in i någon form av användbar ordning. Här sammanställdes den data som samlats in från enkäterna i ett eget dokument. I dokumentet listades varje ikon och en sammanställning av data relaterat till den specifika ikonen i enkäten. En separat sortering där varje svar placerats in i olika kategorier för att få fram nominaldata, en typ av kvalitativ data som ej kan rangordnas, skapades också.

10

Demontering: Denna fas tar isär den kompilerade datan till mindre beståndsdelar. I denna fas kan man även lägga till nya beteckningar på de olika beståndsdelarna. Här sammanfattade vi datan från enkäterna och demonterade svaren från enkäten till enstaka ord som beskrev hur de tolkade ikonerna.

Remontering: I denna fas omorganiseras beståndsdelarna i nya grupper. Detta behöver inte nödvändigtvis genomföras, utan dessa kan följa samma ordning som tidigare. Här kan man även visa datan grafiskt eller arrangera den i listor. I denna del ställde vi upp vår data i ett exceldokument, där varje ikon fick en rad som beskrev funktion, konkrethet, visuell komplexitet, semantiskt avstånd, och tolkning. Nominaldatan sammanställdes genom en frekvenstabell och visualiserades med cirkeldiagram för varje ikon.

Tolkning: Denna fas använder den återuppbyggda datan för att skapa en egen ny mening. Fem kriterier beskrivs och målet är att få med så många av dessa som möjligt.

Dessa är fullständighet, rimlighet, empirisk noggrannhet, värdeskapande och trovärdighet.

Fullständighet innebär att tolkningen har en början, en mitt, och ett slut. Rimlighet ställer frågan om andra skulle komma fram till samma tolkning givet samma ståndpunkt.

Empirisk noggrannhet betyder att tolkningen rättvist representerar datan. Värdeskapande frågar om tolkningen är ny eller enbart en repetition av relaterad forskning. Trovärdighet är frågan om hur de mest ansedda forskarna inom ämnet skulle kritisera eller acceptera tolkningen.

Då data inte talar för sig själv, är tolkningen en viktig del av studien. Ett undantag är att i vissa fall kan datan visa ett så dramatiskt resultat att det själv kan stå som avslut för studien. I de flesta fall kan dock datan leda till flera olika möjliga tolkningar. Därför ligger det hög vikt på att tolkningen är noggrann men att man inte övertolkar datat och försöker leta efter en specifik tolkning.

Tolkningen grundade sig i typen av tolkning som kallas för förklaring. Med det menas att hela tolkningen är dedikerad till att förklara hur eller varför en viss sak sker. Då studien i grunden går ut på att ta reda på hur och varför ikoner tolkas, så var det ett ypperligt sätt att utföra tolkningen på.

Slutsats: Här dras en slutsats fram av hela studien. Denna ska vara relatera till tolkningsfasen och genom den resten av faserna. Med hjälp av analysen av vår data, jämförelsen mellan datan vi fått från olika ikoner med samma funktion, samt jämförelse med de ursprungliga och omarbetade ikonerna har vi kunnat dra olika slutsatser och besvara våra frågeställningar. Skillnaden mot tolkningen är att här släpps egna tankar och ideer fram på ett större sätt. Man kan även generalisera resultatet, eller exempelvis ge förslag till ny forskning.

Detta är en iterativ process och man kan hoppa fram och tillbaka mellan de olika delarna tills man är nöjd med resultatet. Yin (2016) skriver vidare att forskare inte lägger ned lika mycket tid på dessa fem faser. Mindre erfarna forskare kan ge för mycket tid åt demontering och återuppbyggnad vilket leder till att tolkning och slutsats fördröjs.

11