Professori Seppo Kontiaisen kehittämä dynaaminen käsiteanalyysi (Dynamic Concept Analysis, DCA) on monimutkaisten ilmiöiden ja aineistojen analyysimenetelmä. Tämän suomenkielisen Metodix-esittelyn tarkoitus on antaa yleiskuva DCA-menetelmästä sekä perustiedot sen käytöstä empiirisen, aikuisopiskelijoiden opiskeluprosesseja kuvaavan aineiston avulla. Lisätiedot, muita sovelluksia ja tarvittavan tietokoneohjelman kiinnostunut lukija saa verkko-osoitteesta: www.edu.helsinki.fi/dca.

Minkälaisesta menetelmästä on kyse?

Professori Seppo Kontiaisen kehittämä dynaaminen käsiteanalyysi (Dynamic Concept Analysis, DCA) on monimutkaisten ilmiöiden ja aineistojen analyysimenetelmä, jonka perusteet esitettiin väitöskirjassa vuonna 1973 (Kontiainen 1973). Menetelmän systemaattinen kehittämistyö aloitettiin uudelleen 1980-luvun lopulla, ja uusimmasta kirjasta (Kontiainen 2002a) löytyy sekä menetelmän perusteiden esittely sekä useita käytännön sovelluksia. Kirja sekä menetelmää varten kehitetty MFCDCA –ohjelma löytyvät myös verkosta osoitteesta www.edu.helsinki.fi/dca. Ohjelman mukana on kirjassa kuvatut demoaineistot.

Tämän suomenkielisen Metodix-esittelyn tarkoitus on antaa yleiskuva DCA-menetelmästä sekä perustiedot sen käytöstä empiirisen, aikuisopiskelijoiden opiskeluprosesseja kuvaavan aineiston avulla.

Menetelmä on kehitetty monimutkaisten ilmiöiden kuvaamiseen ja analyysiin, ja sen avulla on mahdollista käsitteellistää monia vaikeasti lähestyttäviä tutkimusongelmia uudella ja luovalla tavalla. Menetelmä perustuu ilmiötä kuvaavien keskeisten käsitteiden sekä niiden välisten suhteiden määrittelyyn, mallinnukseen ja analyysiin. Parhaimmillaan DCA on tilanteissa, joissa pitää analysoida useiden samanaikaisesti vaikuttavien tekijöiden merkitystä ja roolia (esim. Päätöksentekotilanteet, monimutkaiset ilmiöt, käyttäytymisen syyt). Yleensä DCA-menetelmä täydentää muita menetelmiä, eli antaa mahdollisuuden jatkaa vaikkapa faktori- tai sisällönanalyysin tuottamien muuttujien (käsitteiden) analyysia.

Menetelmän keskeiset vahvuudet ja erikoisuudet ovat:

Mallit ja käsitteet – metodologista taustaa

Ihmisen suhde todellisuuteen on käsitteellinen. Kaikki todelli­suut­ta kuvaavat teoriat rakentuvat käsitteiden varaan, ja perinteisen positivistisen tutkimuksen tehtävä onkin ollut todellisuutta kuvaavien käsitteiden ja niiden välisten suhteiden määrittely. Myös laadullinen tutkimus rakentuu käsitteiden varaan. Yhtenä esimerkkinä voidaan mainita ’Grounded Theory’- lähestymistapa (Glaser & Strauss 1967).

DCA-menetelmän lähtökohta onkin, että todellisuutta kuvataan käsitteiden ja niiden välisten suhteiden avulla. Käsitteille määritellään kolme sisäistä painotusta osoittavaa attribuuttia, joiden avulla todellisuudessa esiintyvää yksilöllistä vaihtelua jäljitellään.

Monimutkaisten systeemien ja ilmiöiden kuvaamiseen ja tutkimiseen käytettävät käsitteet ja niiden väliset suhteet kuvataan yleensä mallina. Malli on aina kuvattavan ilmiön yksinkertaistus, ja siinä pyritään kuvaamaan ilmiön kannalta keskeiset tekijät. Mallien käyttö on perusteltua, jos niiden avulla voidaan ymmärtää kuvattavaa ilmiöta paremmin kuin ilmiötä itseään suoraan tarkkailemalla. Mallien avulla on yleensä mahdollista havaita asioita, jotka eivät ole suoraan havaittavissa ilmiössä itsessään. Mallintaminen antaa myös mahdollisuuksia tarkastella ilmiöitä, joiden monimutkaisuus ylittää ihmisen tiedonkäsittelykyvyn (Axel­rod 1976, 4). Mallien ja käsitteiden käyttö on ehkä pisimmälle kehitelty systeemiteoreettisessa ajattelussa, jossa lähdetään liikkeelle käsitteistä, jotka keskinäisten yhteyksiensä kautta muodostavat osiensa summaa laajemman kokonai­suuden (Checkland 1981, 3).

Käyttäytymistieteiden piirissä malleja on kehitetty mm. monimutkaisten päätöksentekotilanteiden ja ajattelutapojen kuvaamiseen. Tavoitteena mallien käytössä on yleensä tiedostamattomien ajattelutapojen visualisointi ja tiedostaminen, esimerkiksi päätöksentekotilanteissa tutkittaessa yksilön päätösten ja toiminnan taustalla olevia kausaaliattribuutioita (esim. Axelrod 1976; Deshler 1990; Huff 1990). Yhteistä näille lähestymistavoille on monimutkaisten ilmiöiden analyysi määrittelemällä keskeiset ilmiöön liittyvät tekijät ja niiden väliset suhteet

Tavoitteena kaikissa on:

DCA –analyysin perustermit

DCA on analyysi- ja kuvausmenetelmä, eli ensisijassa tutkijan työkalu. Se vastaa siten mitä tahansa tilastollisen tai laadullisen aineiston analyysiin kehitettyä menetelmää (esim. faktorianalyysi, polkuanalyysi, systeemianalyysi). Kyseessä ei siis ole viisastenkivi tai joka paikan höylä, vaan harkiten sovellettava väline, joka oikeassa tilanteessa helpottaa muita menetelmiä paremmin kuvattavan ilmiön ymmärtämistä.

Menetelmän perusidea on varsin yksinkertainen, mutta DCA-kielessä on muutamia perustermejä, joiden merkitys ja rooli analyysimenetelmässä tulee hallita.

Käsitteellä tarkoitetaan muuttujaa tai nimikettä, jonka avulla kuvataan jotain analysoitavaan ilmiöön liittyvää ominaisuutta.

Attribuutti on käsitteen painotusta ilmaiseva arvo, joka perustuu yleensä kolmiluokkaiseen luokitukseen. esim. ’suuri – keskikokoinen – pieni’.

Käsitteiden välinen suhde viittaa kahden käsitteen väliseen suhteeseen, joka voi olla esim. vaikutussuhde (A vaikuttaa B:hen) tai vuorovaikutussuhde (A ja B vaikuttavat toinen toisiinsa).
Vaikutussuhteet nähdään probabilistisina tai funktionaalisina merkityssuhteina, ei niinkään kausaalisuhteina.

Vaikutussuhde voi olla myös epälineaarinen, toisin kuin perinteisissä tilastoanalyyseissa, jotka usein perustuvat oletukseen muuttujien lineaarisesta yhteydestä. Hyvä käytännön esimerkki nonlineaarisesta vaikutussuhteesta on työttömyyden kokemisen ja ns. Työhön sitoutumisen (employment commitment) –käsitteen välinen suhde. Työhön sitoutumisen kohdalla ns. Medium-arvo eli kohtalainen työhön sitoutuminen ylläpitää työttömyydestä selviytymistä, kun taas alfa-arvo (voimakas) ja beta-arvo (heikko työhön sitoutuminen) voidaan nähdä työttömyyteen liittyvien henkisten paineiden syynä tai seurauksena. (Manninen 1993; 2002.)

Informaatiomatriisi on taulukko, jossa määritellään ja koodataan käsitteiden väliset suhteet.

Käsitemalli on malli, jossa kuvataan yksittäisessä tilanteessa vaikuttavat käsitteiden painotukset (attribuutit) ja niiden väliset yhteydet.

Dynaamisuus viittaa käsitteiden painotuksissa (attribuutit), käsitteiden välisissä suhteissa ja käsitemalleissa ajan kuluessa tapahtuviin muutoksiin.

DCA –analyysin vaiheet

Dynaamisen käsiteanalyysin vaiheet voidaan määritellä seuraavasti:

Attribuutteja vastaavien painotusluokkien käyttö tutkimuksissa ei ole harvinaista (vrt. esim. Hinings & Greenwood 1988), ja niitä käytetään yleensä jäsentämään informaatiota helpommin hallittavaan muotoon sekä laadullisten muuttujien luokitteluun (Menard 1991, 52). DCA-menetelmässä informaation käsittely on attribuuttien avulla viety pidemmälle kuin muissa vastaavissa mallinnusmenetelmissä, joissa ei ole keksitty yhdistää yksilöllistä vaihtelua mallikuvaukseen.

Käsitteet ja niiden väliset suhteet kuvataan käsitemallin avulla, joka on hypoteesi yksittäisessä tilanteessa esiintyvistä suhteista. Kymmenen käsitteen ja kolmen attribuutin pohjalta on mahdollista tuottaa 59049 (3¹º) erilaista attribuuttikombinaatiota. Menetelmää varten on kehitetty tietokoneohjelma, jonka avulla on mahdollista tuottaa erilaisia attribuuttikombinaatioita kuvaavia käsitemalleja. Ohjelma on saatavilla verkossa osoitteessa www.edu.helsinki.fi/dca.

Käytännön esimerkki

Aikuisten opiskeluprosessien kuvausjärjestelmä

Esitän DCA-menetelmän käytöstä käytännön esimerkin, joka on poimittu aikuisten opiskeluprosessien laatuun liittyvästä tutkimushankkeesta. Tutkimuksen lähtökohdat on raportoitu Kontiaisen (1991b ja 2002b) artikkeleissa. On syytä mainita, että näissä projektin tausta-artikkeleissa informaatiomatriisi perustuu vielä hypoteeseille käsitteiden välisistä suhteista, kun taas tässä käytettävän, tutkimushankkeen edetessä kehitetyn informaatiomatriisin pohjana on laaja empiirinen aineisto ja tilastolliset analyysit käsitteiden välisistä suhteista. Empiiriseen aineistoon pohjautuvia alustavia tuloksia on esitetty myös Kontiainen ja Mannisen (1997) sekä Mannisen (1996) julkaisussa.

Käsitteiden määrittely

Tutkimushankkeen tavoitteena on kehittää käsitteellinen kuvausjärjestel­mä, jonka avulla voidaan kuvata ja arvioida aikuisten opiskeluprosesseja ja niihin liittyviä kokemuksia. Malliin on koottu asioita, joita voi pitää hyvän ja laadukkaan opiskeluprosessin osatekijöinä. Käsitteiden valinnan pohjana on ollut prof. Peter Jarvisin kehittämä opiskeluprosessia kuvaava malli. Seppo Kontiainen (1991b, 2002b) on kehittänyt mallia edelleen, ja tässä käytettyyn malliin on lopulta valittu nykyiset 12 käsitettä, joiden avulla aikuisten opiskeluprosesseja pyritään kuvaamaan. Kokemusten mukaan nämä käsitteet kuvaavat laadukasta opiskelu­prosessia kattavasti ja monipuolisesti. Käsitteet sekä niiden attribuutit (painoarvot) on kuvattu seuraavassa:

Empiirinen aineisto kattaa arvioinnit yhteensä 30 työvoimakoulutuksena järjestetyltä pitkältä (6-9kk) akateemisten täydennyskoulutuskurssilta. Suurin osa osanottajista on ollut työttömiä tai työttömyysuhan alaisia. Lomakkeen on palauttanut 468 opiskelijaa, mikä vastaa n. 80% kurssien osanottajista. Lomakkeet on täytetty kurssin lopussa ohjatusti ja nimettömä­nä eikä vastaajien tietoja ole annettu sellaisenaan kurssien vetäjille. Arviointeja voi siten pitää luotettavi­na, vaikkakin sellaisenaan tyypillisinä reaktiotason mittauksina.

Opiskelijat ovat arvioineet kutakin tekijää asteikolla 1-7, jonka pohjalta vastaukset on DCA-analyysia varten luokiteltu kolmeen painotusta kuvaavaan attribuuttiluokkaan. Opiskelijoiden kokonaisarvi­ointien (muuttuja 12, yleisarvio opiskelukokemuksesta) jakauma on kuvattu seuraavassa taulukossa. Arvioinnit ovat pääsääntöisesti positiivisia, ja negatiiviset kokemukset jakautuvat tasaisesti eri kursseille – niiden syiden voidaan siten olettaa löytyvän jostakin muualta kuin itse täydennyskou­lutuskursseihin liittyvistä tekijöistä.

DCA-menetelmän soveltamisen kannalta mielenkiintoisia ovatkin nyt esimerkiksi seuraavat tutkimuskysymykset:

Tutkimuskysymyksiä voi periaatteessa johtaa runsaasti samasta aineistosta. Tutkija saattaa esimerkiksi olla kiinnostunut sosiaalista vuorovaikutusta tukevista tekijöistä, jolloin sama informaatiomatriisi antaa mahdollisuuden sen analysointiin.

Käsitteiden väliset suhteet

Aineiston perinteinen eli regressioanalyysilla toteutettu analyysi osoittaa, että lähestymistapaa ja muistiaineksen määrää lukuunottamatta kaikki muut opiskeluprosessiin liittyvät tekijät korreloivat voimakkaasti yleisarvioinnin kanssa. Askeltavan regressioanalyysin mukaan opiskelijoiden yleisarviointiin vaikuttavat eniten koulutusohjelman tuottama muutos (beta=.43), sisällön mielekkyys (beta=.31), opiskeluilmapiiri (beta= .17) sekä sosiaalinen vuorovaikutus (beta=.09). Tulos kertoo positiiviseen opiskelukokemukseen suoraan vaikuttavista tekijöistä, mutta jättää pois kokonaiskuvan ja yksilöllisten erojen hahmottumisen. Analyysia onkin mahdollisuus täydentää nyt DCA-menetelmällä, jossa seuraava vaihe on käsitteiden välisten suhteiden määrittely. Tutkija joutuu siten tekemään ja testaamaan suuren määrän hypoteeseja käsitteiden välisistä (vuoro)vaikutussuhteista. Onko esimerkiksi yleisarvioinnin ja opiskelijan oman sitoutumisen välillä havaittavissa yhteyttä? Minkälainen se on? Entä miten sosiaalinen vuorovaikutus ja opiskelijan sitoutuminen liittyvät toisiinsa, jos mitenkään?

Kausaali- ja vuorovaikutussuhteiden määrittelyn tukena voi käyttää perinteisiä kausaalianalyysin menetelmiä ja tilastoanalyysimenetelmiä, joskin vaarana on tällöin nonlineaaristen yhteyksien huomioimatta jättäminen. Koska DCA-menetelmän perusasetelma pohjautuu 3×3 -taulukoinnille, on luonnollinen perusanalyysimenetelmä luokiteltujen muuttujien ristiintaulukointi, joka on osoittautunut toimivaksi tilastollisten aineistojen yhteydessä (kts. Manninen 1993). Tällöin myös käsitteiden välisistä nonlineaarisista yhteyksistä voidaan tehdä päätelmiä, toisin kuin perinteisissä analyysimenetelmissä, jotka perustuvat lineaarisuusoletukselle.

Seuraavassa taulukossa on kuvattu kokonaisarvioinnin ja sisällön mielekkyyden välinen ristiintaulukointi.:

Muuttujien välinen korrelaatio on voimakas (r= .63) ja myös khi² on tilastollisesti merkitsevä.

Käsitteiden välisistä vaikutussuhteista voidaan tehdä päätelmiä khi²:n merkitsevyyden ja suhteutettujen residuaalien perusteella. Mikäli havainnot jakautuvat taulukon eri luokkiin täysin sattumanvaraisesti, pitäisi odotusarvojen ja havaittujen arvojen olla samoja. Näiden erotus (residuaali) kertoo sen, kuinka paljon havaittu arvo poikkeaa tästä nollahypoteesista. Tässä tutkimuksessa on käytetty suhteutettuja residuaaleja (adjusted residuals) mittaamaan sitä, kuinka voimakkaasti tietyn luokan havaintojen määrä poikkeaa odotusarvosta. Suhteutettua residuaalia voi tulkita kuten normaalijakauman prosenttiosuuksia ja Z-pisteitä: 1.64 ja sitä suuremmat arvot (95% normaali­ja­kaumasta) kuvaavat tilannetta, jossa havaittu arvo poikkeaa tilastollisesti merkitsevästi odotusarvosta. Kyseinen mittaluku myös huomioi muuttujien epätasaisen jakautumisen, toisin kuin pelkkä residuaali, joka on herkkä rivi- ja sarakesummien epätasaiselle jakautumiselle ja numerukselle. (Rey­nolds 1977, 12; Haberman 1978, 18.) Taulukossa on alleviivattu tilastollisesti merkitsevät positiiviset suhteutetut residuaalit, jotka siis osoittavat ne kohdat, joihin sijoittuu odotettua enemmän havaintoja ja ne attribuutit, jotka esiintyvät yhdessä tavallista useammin. Esimerkiksi relevantti sisältö ja positiivinen loppuarviointi tuntuvat esiintyvän samoissa arviointilomakkeissa selvästi useammin kuin tilastollisesti on todennäköistä, joten voidaan olettaa että relevantti sisältö edistää positiivisen opiskelukokemuksen syntymistä.

Taulukosta voi siten tehdä hypoteesit, että opiskeltavan asian kokeminen epärelevantiksi saattaa alentaa opiskelijan kokonaisarviointia (joko negatiivinen tai keskitasoinen arviointi), ja vastaavasti relevanttina sisällön kokeneet antavat yleisemmin positiivisen palautteen. Samaan tapaan käydään DCA-analyysissa läpi jokainen parittainen vuorovaikutussuhde ja tehdään hypoteesit käsitteiden välisistä suhteista. Analyysissa luonnollisesti huomioidaan kausaalianalyysin perussäännöt, joita on mahdoton toistaa tässä; kiinnostunut lukija löytää kattavan esityksen toisaalta (Manninen 1993). Mainittakoon kuitenkin, että ’terve järki’ on usein tutkijan paras työkalu tässä vaiheessa vaikutussuhteiden suuntaa arvioitaessa; ei ole esimerkiksi mielekästä väittää, että vastavuoroisesti positiivinen loppuarviointi vaikuttaisi opettajan kurssille rakentaman sisällön relevanssiin, eli käsitteiden välinen suhde ei tällä kohtaa ole vuorovaikutussuhde.

Informaatiomatriisin rakentaminen

Kun käsitteiden välisistä suhteista on tehty hypoteesit, ne koodataan taulukkomuotoon ns. Informaatiomatriisiin. Taulukko on toisaalta tietokoneohjelman ymmärtämä esitystapa, toisaalta se tarjoaa samalla visuaalisen kuvauksen hypoteeseista, joiden kirjallinen esitysmuoto vaatii usein hyvinkin monisivuisia listauksia.

Esimerkiksi edellä kuvatun sisällön mielekkyyden ja kokonaisarvioinnin välinen suhde voidaan purkaa hypoteeseiksi seuraavalla tavalla:

4a relevantti sisältö ->12a positiivinen kokonaisarviointi
4n medium sisältö -> 12n medium kokonaisarviointi
4b epärelevantti sisältö -> 12n medium kokonaisarviointi
4b epärelevantti sisältö -> 12b negatiivinen kokonaisarviointi

Informaatiomatriisissa sama informaatio koodataan taulukon 3 osoittamalla tavalla.

Informaatiomatriisia luetaan seuraavalla tavalla yläreunasta ’alkaen’; sarakkeiden otsikoina ovat käsitteet, jotka vaikuttavat riveillä oleviin käsitteisiin. Käsitteiden välinen mahdollinen vuorovaikutussuhde löytyy, kun yhdistetään kahden lokeron informaatio (esim. tässä lokero 4/12 ja 12/4).

Ensimmäinen nuoli luetaan siis muodossa ”4a eli relevantti sisältö saattaa vaikuttaa 12a:han eli positiiviseen kokonaisarviointiin”. Vastaavasti viimeinen nuoli kertoo, että ”4b eli epärelevantti sisältö saattaa vaikuttaa 12b:hen eli negatiivisen kokonaisarviointiin”.

Koko informaatiomatriisi on esitetty taulukossa 5.:

Analyysit

Hypoteesien määrittelyn jälkeen edetään analysoitavaa tilannetta kuvaavien attribuuttien määrittelyyn. Tästä esimerkkiaineistosta kuvataan seuraavassa kokonaistilanne, eli yleisimmät attribuuttiarvot (attribuuttiluokat, joihin on kasautunut määrällisesti eniten valintoja).

Ohessa esitetään DCA-menetelmällä tuotettu malli, jossa kuvataan opiskeluprosessi­en moodikuvaus sekä käsitteiden väliset suhteet. Kuviossa kukin nuoli kuvaa hypoteettista vaikutussuhdetta, jonka oletetaan vallitsevan ko. käsitteiden välillä. Hypoteesit on tehty tutkijoiden toimesta, ja ne on kaikki testattu tilastollisesti edellä kuvatulla tavalla. Esimerkiksi sitoutumisen (2a voimakas) osalta malli osoittaa, että opiskeluprosessissa on löydettävissä kolme tekijää, jotka suoraan tukevat ja lisäävät opiskelijoiden sitoutumista (voimakas motivaatio, aktiivinen vuorovaikutus ja relevantti sisältö).

KUVIO 1: Työvoimakoulutuskurssien yleisintä opiskeluprosessia kuvaava käsitemalli

Vastaavasti voi paikantaa esimerkiksi ne tekijät, joihin opiskelijoiden positiivinen arviointi perustuu. Positiiviset opiskelukokemukset tuntuvat rakentuvan opiskelutilanteeseen (vapaa ilmapiiri ja aktiivinen vuorovaikutus), opiskelijaan itseensä (voimakas motivaatio ja sitoutuminen opiskeluun) sekä kurssin sisältöön (relevantti sisältö) liittyvistä tekijöistä.

Oppimistulosten (reflektiivisyys, oppimisen laatu ja muutos) osalta taas on nähtävissä eräänlainen ’kehittämisalue’, jonne olisi ehkä tarpeellista panostaa kurssien suunnittelussa. Opiskeltavien sisältöjen lisääminen (muistiaineksen kasvattaminen hieman) lisäisi mahdollisesti reflektiivisyyttä, mikä puolestaan tuottaisi vielä parempia oppimistuloksia.

Verrattuna em. regressiomalliin ottaa DCA-malli mukaan myös opiskelijan motivaation ja sitoutumisen suoraan arviointiin vaikuttavina tekijöinä. Tämä johtuu yksinomaan siitä, että tutkijat ovat tehneet tällaisen hypoteesin aineiston analyysin tässä vaiheessa. Jatkossa on mahdollista tarkistaa hypoteeseja, jos osoittautuu, että opiskelijan motivaation vaikutus opiskeluprosessissa syntyy muiden tekijöiden (esim. ilmapiirin tai vuorovaikutuksen) kautta, kuten regressiomalli antaisi olettaa.

Muutoksen (11n medium) irrallisuus DCA-mallissa taas johtuu siitä, että sen painoarvo opiskeluprosessissa on ’vain’ medium-tasoinen, eli tässä koko otosta kuvaavassa tilanteessa opiskelun tuottama muutos ei näyttäisi vaikuttavan positiiviseen kokonaisarviointiin, joka näyttäisi johtuvan enemmän opiskelutilanteen sosiaalista ulottuvuutta painottavista tekijöistä.

DCA-malleilla on mahdollista tuottaa vastaavat kuvaukset kaikista yksittäisistä tapauksista (esim. kurssikohtaisesti tai yksilöllisesti). Rajallinen tila ei kuitenkaan mahdollista useampien mallien esittämistä tässä yhteydessä. Esimerkinomaisesti kerrottakoon, että erään ’medium’ -tasoisen arvioinnin antaneen opiskelijan henkilökohtainen malli osoittaa, että tähän on vaikuttanut todennäköisesti opiskelijan kokemus siitä, että kurssin ilmapiiri, vuorovaikutus ja sisältö eivät ole saavuttaneet parasta mahdollista tasoa, ja siitä johtuen oppimisen laatu, reflektiivisyys ja tapahtunut muutos ovat olleet keskitasoisia. Taustalla vaikuttanee myös opiskelijan ’medium’-tasoinen sitoutuminen kurssiin.

Kiinnostuneella lukijalla on mahdollisuus testata informaatiomatriisia, sillä sen voi ladata omalle koneelle [tästä]. MFCDCA-ohjelman voi ladata osoitteesta www.edu.helsinki.fi/dca.

Arviointia ja kehittämisehdotuksia

DCA-menetelmän filosofisesta ja metodologisesta taustasta sekä niihin liittyvistä ongelmista löytyy laajempi arviointi ja esittely kirjoittajan väitöskirjasta (Manninen 1993). Esitän siksi seuraavassa vain joitakin pääkohtia.

DCA-menetelmän keskeiset edut verrattuna perinteisiin analyysimenetelmiin ovat seuraavat:

Menetelmän haittapuolina ja kehittämiskohteina (tai varovaisuutta vaativina vaiheina) voidaan pitää mm. parittaisten vuorovaikutussuhteiden määrittelyyn liittyviä ongelmia (näennäisyhteyksien eliminointi on vaikeaa). Tähän ongelmaan on olemassa ’helppo’ ratkaisu eli perinteisen kausaalianalyysin perusperiaatteet (esim. Lazarsfeld 1955), joilla varsin hyvin voidaan määritellä yhteyksien ja vaikutussuhteiden luonne ja suunnat.

Menetelmää käytettäessä on myös hyvä pohtia kausaalikäsitettä, joka on sellaisenaan melko yleisesti hylätty ihmistieteiden piirissä. Entistä enemmän puhutaan probabilistisista kausaalisuhteista (esim. Hage & Meeker 1987), vuorovaikutussuhteista tai samanaikaisesta molemminpuolisesta muovaamisesta (mutual simultaneous shaping). Esimerkiksi ns. naturalistisessa paradigmassa lähdetään perusoletuksesta, että ilmiön osat ovat jatkuvassa vuorovaikutussuhteessa, jolloin syiden ja seurausten erottaminen toisistaan ei ole mahdollista (Lincoln & Guba 1985, 37).

Perinteisen kausaalimallin sijasta DCA-malleissa tarkastellaankin todennäköisyyksiä monimutkaisissa ilmiöissä. Mallien avulla voidaan analyysit kohdistaa monimutkaisiin syyjoukkoihin, jotka yhdistettyinä saavat aikaan seurauksen tai edistävät sen syntymistä. Tämä tavoite on yhteinen sekä kvalitatiiviselle että kvantitatiiviselle tutkimukselle, joissa tulisi pyrkiä aina monien selittävien tekijöiden paikantamiseen yhden selittävän tekijän etsimisen sijasta (Silverman 1989, 34).

Siirryttäessä luonnontieteistä ihmis- ja yhteiskuntatieteisiin siirrytään samalla yksinkertaisista organisoituneista systeemeistä (organized simplicity) monimutkaisiin organisoituneisiin (organized complexity) tai jopa organisoitumattomiin monimutkaisiin systeemeihin (disorganized complexity). Samalla siirrytään deterministisistä malleista probabilistisiin malleihin. Esimerkiksi säätilan muuttuminen ilmiönä on organisoituneen kompleksisuuden alueelle sijoittuva ongelma, eli se koostuu suuresta joukosta tekijöitä, jotka ovat riippuvuussuhteessa toisiinsa siten, että ne muodostavat orgaanisen kokonaisuuden (Flood & Carson 1988, 273; Mannermaa 1991, 186).

DCA-menetelmällä tuotetut käsitemallit ja käsitteiden väliset suhteet voidaan nähdä samantapaisina ’sumeina’, probabilistisina ja hypoteettisina todellisen, usein monimutkaisen tilanteen hahmotelmina, jotka tulee testata kussakin yksilötapauksessa erikseen. Luonnontieteiden alueella DCA-menetelmällä voi tuottaa hyvinkin deterministisiä malleja, mutta siirryttäessä monimutkaisempiin ilmiöihin ja ihmistieteiden alueelle muuttuvat myös mallit probabilistisiksi. DCA-menetelmällä tuotettavat mallit ovatkin parhaiten määriteltävissä vaikutusdiagrammeiksi tai systeemikartoiksi (influence diagrams, systems maps; kts. Huff 1990, 32-33), ei niinkään kausaalimalleiksi.

DCA:n käytön eittämätön etu on siinä, että tutkija joutuu selkeästi määrittelemään käytettävien käsitteiden suhteet muihin käsitteisiin. Informaatiomatriisin avulla on siten mahdollista kohdentaa tutkimusta niihin suhteisiin, joiden kohdalla on epäselvyyttä. Eräs varsin ilmeinen sovellusalue voisi olla laadullisten tai määrällisten tutkimusten meta-analyysi (Noblit & Hare 1988, Hunter & al. 1982), jossa informaatiomatriisi voisi toimia tuloksia kokoavana tietopankkina. Toinen varteenotettava sovellusalue on tulevaisuudentutkimus, jossa DCA-menetelmän avulla olisi mahdollista tuottaa erilaisia tulevaisuudenkuvia esimerkiksi morfologisten tulevaisuustaulukoiden pohjalta (kts. Mannermaa 1991; Niemi 1990).

DCA-menetelmän jatkokehittelyissä kannattaisi selvittää sen yhteyksiä muihin vastaaviin menetelmiin, kuten käsitekarttatekniikoihin (Deshler 1990; Huff 1990), polkuanalyysimalleihin ja muihin tilastollisiin mallinnusmenetelmiin ja vaikutussuhdeanalyysimenetelmiin (Axelrod 1976; Niemi 1990). Käsitteiden määrittelyvaihetta on myös mahdollista tehostaa esimerkiksi hyödyntämällä keskeisten tekijöiden paikantamiseen kehitettyjä menetelmiä (esim. Candy 1990; Glaser & Strauss 1967).

Etusivun pikkukuva © : https://www.whitewatermag.com/

Menetelmäartikkelit

Lähteitä ja lisälukemista

Axelrod, R. (ed.) 1976. Structure of decision. The cognitive maps of political elites. New Jersey: Princeton University Press.

Candy, P. 1990. Repertory Grids: playing verbal chess. In: J. Mezirow 1990. Foste­ring critical reflection in adulthood: A guide to transfor­mative and emancipatory learning. 271-295. San Francisco: Jossey-Bass.
Checkland, P. 1981. Systems Thinking. Systems Practice. New York: Wiley.

Deshler, D. 1990. Conceptual Mapping: drawing charts of the mind. In: J. Mezirow 1990. Fostering critical reflection in adulthood: A guide to transfor­mative and emancipatory learning. 336-353. San Francisco: Jossey-Bass.

Flood, R. & Carson, E. 1988. Dealing with complexity. An introduction to the theory and application of systems science. New York: Plenum Press.

Glaser, B. G. & Strauss, A. L. 1967. The discovery of grounded theory: strategies for qualitative research. New York: Aldine Publishing Company.

Haberman, S. 1978. Analysis of qualitative data. Volume 1: introductory topics. New York: Academic Press.

Hage, J. & Meeker, B. F. 1987. Social Causality. Boston: Unwin Hyman.

Hinings, C. & Greenwood, R. 1988. The dynamics of strategic change. New York: Basil Blackwell Inc.

Huff, A. (ed.) 1990. Mapping strategic thought. Chichester: John Wiley & Sons.

Hunter, J. & Schmidt, F. & Jackson, G. 1982. Meta-analysis. Newbury Park, CA: Sage.

Kontiainen, S. 1973. The Behaviour of Supervisors Assessed by Student Teachers. Research Bulletin no 37. Institute of Education, University of Helsinki.

Kontiainen, S. 1991a. Use of Conceptual Models in Case Studies. University of Helsinki, Department of Education. Research Bulletin no 78.

Kontiainen, S. 1991b. Individual models of adult learning. In S. Kon­tiainen: Use of Conceptual Models in Case Studies. University of Helsinki, Department of Education. Research Bulletin no 78, 51-96.

Kontiainen, S. (ed.) 2002a. Dynamic Concept Analysis (DCA). Integrating Information in Conceptual Models. University of Helsinki, Department of Education. (Available in PDF at www.edu.helsinki.fi/dca)

Kontiainen, S. 2002b. Individual Models of Adult Learning. In: Seppo Kontiainen (ed.), Dynamic Concept Analysis (DCA). Integrating Information in Conceptual Models. University of Helsinki, Department of Education.

Kontiainen, S. & Manninen, J. 1997. Quality of adult learning. Use of conceptual models in describing individual learning processes. In: Social change and adult education research. Adult education research in Nordic Countries 1996. Jyväskylä: Institute for Educational Research.

Lazarsfeld, P. 1955. Interpretation of statistical relations as a research operation. In: P. Lazarsfeld & M. Rosenberg (ed.) The Language of social research. New York: The Free Press, 115-125.

Lincoln, Y. & Guba, E. 1985. Naturalistic inquiry. Beverly Hills: Sage.

Mannermaa, M. 1991. Evolutionaarinen tulevaisuudentutkimus. Tulevaisuudentutkimuksen paradigmojen ja niiden metodologisten ominaisuuksien tarkastelua. Helsinki: Valtion painatuskeskus.

Manninen, J. 1993. Akateemiset työttömät työnhakijat – elämäntilanne ja työvoimakoulutus. Helsingin yliopisto, kasvatustie­teen laitos, tutkimuksia 137.

Manninen, J. 1996. Dynaaminen käsiteanalyysi – yksilöllisiä analyysejä monimutkaisista ilmiöistä. Aikuiskasvatus 1/96.

Manninen, J. 2002. Affective experience of unemployment. A dynamic analysis. In: Seppo Kontiainen (ed.), Dynamic Concept Analysis (DCA). Integrating Information in Conceptual Models. University of Helsinki, Department of Education.

Menard, S. 1991. Longitudinal research. Sage University Paper Series on Quantitative Applications in the Social Sciences, 76. Newbury Park, CA: Sage.

Niemi, M. 1990. Tulevaisuudentutkimuksen menetelmät hallinnossa. Metodologis-metodinen tarkastelu. Valtionhallinnon kehittämiskeskus. Helsinki: VAPK-kustannus.

Noblit, G. & Hare, D. 1988. Meta-ethnography: Synthesizing Qualitative Studies. Newbury Park, CA: Sage.

Reynolds, H.T. 1977. The analysis of cross-classifications. New York: The Free Press.

Silverman, D. 1989. Six Rules of Qualitative Research: a post-romantic argument. Symbolic Interaction, 12, 2.

Kategoriat:artikkeli, Artikkelit

Avainsanat:dca, manninen, synaaminen käsitelanalyysi