Nitel araştırma yöntemleri

Tarihsel gelişim süreci incelendiğinde nitel araştırma kapsamına ilişkin; doğal olguları saptama gayreti sebebiyle ‘doğal araştırma’, soruna ilişkin araştırmacının kendi (kişisel) fikirlerini içinde bulundurması nedeniyle ‘yorumlayıcı araştırma’ ve özellikle seçilmiş bir konuyu belli bir örneklem üzerinden derinlemesine incelemesinden dolayı ‘alan araştırması’ gibi farklı tariflemeler yapılmıştır (Creswell & Miller, 2000). Bir problemin çözümlenmesine yönelik gözlem, görüşme ve yazınsal analiz gibi nitel veri oluşturma yöntemlerini kullanan nitel araştırma, araştırma öncesinde bilinen veya farkına varılmamış problemlerin algılanması, probleme dair doğal olguların realist biçimde ele alınmasına yönelik öznel-yorumlayıcı bir süreci ortaya koymaktadır (Seale, 2001; Baltacı, 2017).

Aynı veri setinin farklı ve bağımsız araştırmacılar tarafından kodlanması nitel veri analizinde önemlidir. Farklı araştırmacılar tarafından kodlanan veri setinin benzerlik oranı, kodlamanın güvenilirlik payını artırır (Fidan & Öztürk, 2015). İçsel tutarlılığı veren kodlama denetimine göre kodlayıcılar arası görüş birliğinin en az %80 olması

beklenmektedir (Miles & Huberman, 1994; Baltacı, 2017). Bu çalışmada da kodlama aşaması farklı iki araştırmacı tarafından kontrol edilerek yapılmıştır ve beklenen benzerlik oranı olan %80 koşulu sağlanmıştır.

Bu çalışmanın analiz edilmesinde, nitel araştırmaların veri analiz yöntemlerinden Miles-Huberman modeli kullanılmıştır. Bu modele göre çözümlenen araştırma; verilerin düzenlenmesi (azaltılması), verilerin sergilenmesi ve sonuçların anlamlandırılması şeklinde üç ana bölümde incelenmiştir (Şekil 6.1).

Şekil 6.1. Miles- Huberman Modeli (Miles & Huberman, 1994)

Miles-Huberman modelinde analizin sonraki aşamalarına yön veren en önemli adım kodlamadır. Ham verilerin yapılandırılması, azaltılması ve anlamlandırılması aşamaları için gerekli ilk koşul olan kodlama, nitel analizi başlatan ve süreç boyunca değişiklikler göstererek ilerleyen işlemler bütünüdür (Ragin, 1994). Kodlama işlemi, verilerin daha kolay gruplandırılmasını ve belli bir anlam bütünlüğünün yakalanmasını sağlar (Keller, 1995). Aynı çalışma metinleri için farklı araştırmacılar, farklı kodlama isimleri kullanabilirler. Bu bağlamda öznel bir niteliğe sahip olduğu kadar farklı kullanıcıların aynı veri setinden benzer sonuçlara ulaşmasını sağlayacak genelliğe sahiptir. Bu özelliği ile kodlama, araştırmacıya olduğu kadar daha sonra çalışmaya dahil olabilme ihtimali olan diğer araştırmacılara da hitap etmelidir (Priest & Roberts, 2006; Fidan & Öztürk, 2015).

Bu çalışmada, Harran alan yönetim planı süreçlerine dahil olmuş alan yönetim başkanları, kurul üyeleri, koruma alanında uzmanlar ve yöneticiler ile derinlemesine görüşmeler yapılmıştır. Hedef evrenin Türkiye için yaklaşık 325 kişiden oluştuğu hesaplanmıştır.

Derinlemesine görüşmeler yaklaşık %10’luk hedef ile 30 kişi için bu evren içinden hesaplanacaktır. Katılımcıların belirlenmesinde gönüllülük ilkesi esas alınmıştır. Verilerin toplanmasında, araştırmacı tarafından geliştirilmiş olan görüşme formları kullanılmıştır.

Verilerin Azaltılması (Kodlama ve Not

Alma)

Verilerin

Sunulması Sonuçların

Betimlenmesi

Görüşmeler, teoriye dayalı araştırmalarda sık başvurulan bir yöntem olan problem merkezli görüşme yöntemine göre yapılmıştır. Problem merkezli görüşme, yarı-yapılandırılmış, katılımcının serbestçe cevap verebildiği nitel bir veri toplama yöntemidir (Witzel, 1985; Kılıç, 2012). Görüşülen kişiye soruları serbest biçimde cevaplama imkanı verilse de görüşme, araştırmacı tarafından belirlenen problemler üzerinde yoğunlaşarak ilerler ve bu bağlamda tüm sorunlara cevaplar bulunmaya çalışılır. Bu yöntemde sorular mülakat formu ile standartlaştırılır; bu durum çok sayıdaki nitel verinin analiz edilmesini, gruplandırılmasını ve anlamlandırılmasını kolaylaştırır (Mayring, 2002; Kılıç, 2012).

Görüşme formunda sorular üç ana başlık altında toplanmıştır. İlk bölümde Harran Alan Yönetimi (HAY) ve Plan’ın ortaya çıkış koşulları, aktörler ve yer alan kurumlar, alan yönetiminin Harran’a ilişkin sorunları ve olanakları, danışma kurullarının işleyişleri ve alan yönetimi sürecindeki rolü ile alan yönetimi yönetmeliğindeki ihtiyaçlar ve eksikliklere ilişkin sorular yer almaktadır. İkinci bölümde alan yönetimi ve yönetim planlarının koruma amaçlı imar planları ile ilişkisi ve koruma kurulları – alan yönetimi ilişkisine yönelik sorular yer almaktadır. Üçüncü ve son bölümde ise; Harran Alan Yönetimi ve Planı’na ilişkin görüşme soruları yer almaktadır. Görüşme formunun örneğine ekte yer verilmiştir (Ek:1).

Derinlemesine görüşme formları ile HAY ve Planı’na ilişkin değerlendirmeler, Alan Yönetimi (AY) ve Alan Yönetim Planı’nın koruma amaçlı imar planları ile ilişkisi ve HAY ve HAYP’na ilişkin görüşlerle ilişkili mevcut durum, sorun ve önerilere ulaşılmaya çalışılmıştır. Yapılandırılmamış görüşmelerin sonucunda çok miktarda nitel veri üretilmiştir. Bu veriler üzerinden MaxQda 18.2.0 nitel veri analiz programı ile kavram ve sonuçlara ulaşmak için içerik analizi gerçekleştirilmiştir.

İçerik analizinde temel amaç, toplanan verileri açıklayabilecek kavramlara ve ilişkilere ulaşmaktır (Sözbilir, 2019). İçerik analizi çalışması aşağıdaki şekil 6.2’de belirtilen aşamalar gerçekleştirilerek yapılmıştır.

Şekil 6.2. İçerik analizi süreci ( (Mcmillan & Schumacher, 2010), (Sözbilir, 2019))

Deneysel veri toplama aşaması, yapılandırılmış içerik baz alınarak oluşturulmuş ve çalışma belli bir doygunluğa ulaşıncaya kadar veriler toplanmaya devam edilmiştir. Uzmanlar ile yapılan mülakatlarda tekrara girinceye kadar derinlemesine görüşmeler sürdürülmüştür.

Sınıflandırmayı kolaylaştırmak adına, aynı form tüm katılımcılara uygulanmıştır. Tüm görüşmecilere açık uçlu sorular sorularak katılımcıların özgün ve sürece dahil oldukları bir çalışma ortamı sunulması hedeflenmiştir. Her bir görüşme yaklaşık 40 dakika sürmüş, veri analizinin kalitesini artırmak ve veri kaybını engellemek amacıyla görüşmeler ses kaydı ile alınıp yazıya dökülmüştür. Yaklaşık 1000 dakikalık veri analiz edilmiştir. Çalışmanın temelini oluşturan ampirik materyaller 115 sayfadan oluşmaktadır. Bu metinler kodlama yöntemiyle azaltılarak anlamlandırılmıştır.

Şekil 6.3. İçerik analizi (kodlama) çalışmasından örnek bir bölüm

Şekil 6.3’te gösterildiği şekilde kelimeler, tamlamalar ve cümleler kodlanarak anlamlandırılmıştır. Kodlama çalışması iki aşamada gerçekleşmiştir. İlk aşamada kategoriler ve ana temalar belirlenmiştir.

Alan Yönetimi, Harran Kenti ve Harran Alan Yönetim Planı başlıkları üç ana kategoriyi oluşturmuştur. Daha sonra çalışmaya 16 adet ana tema atanmıştır. İkinci aşama ise MaxQda 18.2.0 nitel veri analizi programı ile katılımcıların kendi dilinden kelimelerin ve kısa ifadelerin kodlandığı alt tema başlıklarının oluşturulduğu bölümdür. Bu alan ile birlikte çalışmanın tamamında toplam 1087 adet kod oluşturulmuştur. Katılımcıların, kendi içinde kodlama yöntemiyle gruplandırıldığı kod ağacı örneği şekil6.4’te gösterilmektedir.

Şekil 6.4. Katılımcı özellikleri kapsamında oluşturulan kod ağacı

Buna göre katılımcılar; cinsiyet, eğitim düzeyi, alan yönetimi deneyiminin varlığı, meslek özelliklerine göre gruplara ayrılmıştır. Atanan ana temalar, daha sonra alt gruplara ayrılarak kodlama işlemi gerçekleştirilmiştir. Teknik olarak ilk etapta tek kelimeler, daha sonra onlara bağlı kelime grupları ve son olarak cümleler kodlanarak gruplamalar oluşturulmuştur.

Çalışmada toplanan materyaller üzerinden görüşmelerin içerik analizleri kodlama yöntemi ile tamamlandıktan sonra MaxQda 18.2.0 programı kullanılarak çeşitli frekans aralıklarında “kelime bulutu oluşturma” ve araştırma sonuçları göz önüne alınarak belirlenen “odak” kelimeler ile “kelime ağacı oluşturma” analizleri gerçekleştirilmiştir. Bu

çalışma ile odak kelimelerden başlayarak bütünü görmek, sözcüklerin yönlendirmesi ile altta yatan sorunları tespit etmek ve ortak noktaları saptayabilmek kolaylaşmıştır.

MaxQda, nitel ve karma yöntemler için profesyonel veri analiz yazılım programıdır. Kolay anlaşılır arayüzü ve görüşme, rapor, tablo gibi birçok veriyi aynı anda analiz edebilme kapasitesine sahip olması gibi sebepler de tez çalışması kapsamında içerik ayrıştırma ve kodlama çalışmaları için MaxQda nitel veri analiz programının kullanımına neden olmuştur.

Bu çalışmada, alan yönetim planlarının, arkeolojik alanların Dünya Miras Listesi’ne girmedeki etkisinin araştırılabilmesi için analiz çalışmaları yapmak üzere MaxQda programı seçilerek söz konusu program elde edilen verilerin analizinde kullanılmıştır.

Seçilen programın (MaxQda) nitel veri analizine yönelik mevcut programlar arasındaki gelişmişlik düzeyinin ileriliği karar vermeyi etkilemiştir.

Kodlama ve anlamlandırma (içerik analizi) tamamlandıktan sonra derinlemesine görüşme formları ile elde edilen veriler derlenerek çeşitli frekans aralıklarında “kelime bulutları” ve

“kelime ağaçları” oluşturulmuştur.

Kelime bulutu (word cloud) en çok tekrar eden kelimelerin diğerlerine oranla daha büyük bir karakter boyutta ve daha çarpıcı biçimde sıralandığı bir sözcük sunum şeklidir. Kelime bulutu, ele alınan niteliksel verinin görsel olarak tasvir edilmiş biçimidir (Ramsden & Bate , 2008). Literatür taramasına göre; kelime bulutu tamlaması yerine etiket bulutu (tag cloud) veya metinsel bulut (text cloud) betimlemelerinin de sıklıkla kullanıldığı görülmüştür.

2000’li yıllarda yoğun biçimde “etiket” olarak Flickr internet sitesi tarafından kullanılan bulut fikri ilk kez 2002 tarihinde Jim Flanagan tarafından bir sunum şekli olarak oluşturulmuştur (Zhou & Bénel, 2008).

Kelime ağacı (Word tree) ise çalışma kapsamında metinsel verilerin görselleştirilebilmesi için bir diğer analiz yöntemi olarak seçilmiştir. Kelime ağacı, kitap, makale, konuşma veya şiir gibi yapılandırılmamış metinler için görsel bir arama aracıdır. Bir kelime veya kelime öbeği seçmenize izin verir ve içinde göründüğü tüm farklı içerikleri gösterebilir. Bağlamlar, tekrarlayan temaları ve cümleleri ortaya çıkarmak için ağaç benzeri bir dallanma yapısında düzenlenir (Viegas & Wattenberg, 2019).

Şekil 6.5. Tez kapsamında hazırlanan kelime ağacı analizinden örnek bir bölüm

Kelime ağacı analizi, Şekil 6.5’te gösterildiği gibi seçilen herhangi bir kelimenin aynı anda etkileşimde olduğu tüm konuları bir arada görme imkanı tanımaktadır. Bu yöntem kullanılarak, seçilen “alan” kelimesinin aynı anda yönetim, yönetim planı ve Harran kelimesi ve devamındaki cümlelerle ilişkisi incelenebilmektedir. Kelime ağacı bir veri kümesinin tüm ortak yönlerini ortaya çıkarabilen etkileşimi bir veri görselleştirme aracıdır (Web Lyzard Technology , 2019). İlk kez 2007 yılında Martin Wattenberg ve Fernanda Viegas tarafından geliştirilmiştir (Dağ, 2017).