Timas Seminarium 1

Kapitel 7: Datainsamling
Detta kapitel handlar datainsamling som innebär insamling av rådata i syfte att dra slutsatser och till slut kunna utvinna användbar information. Vad som bör adresseras innan datainsamlingen är:

• Vad är målet med undersökningen?
• Vilka ska delta i undersökningen?
• Hur är relationen mellan datainsamlaren och datautlämnaren?
• Pilot studie
• Triangulering (Triangulation)

Målsättning är viktigt för att bedöma vilken sorts data som krävs i undersökningen. Efter en bra målformulering kan resten av undersökning planeras för att samla in så optimal data som möjligt.

För att avgöra vilka som ska delta i undersökningen krävs det ofta man endast väljer ett fåtal deltagare som stickprov, så kallat sampling. 

Relationen mellan datainsamlaren och datautlämnaren bör vara neutral och professionell för att undersökningen ska gå rätt till. För att uppnå detta kan det vara lämpligt att förklara syftet med undersökningen grundligt samt hur datautlämnarens information kommer att användas.

Triangulering innebär att undersökningen ska utgå från två eller fler olika perspektiv. De olika områdena som kan undersökas från olika perspektiv är följande:

• Datamängden
• Utredaren
• Teorin
• Metoden

En pilot studie är en kortare inledande studie som utförs i syfte att testa sin metod innan den riktiga studien utförs. En sådan studie kan avslöja felaktigheter som bör korrigeras.

De tre huvudsakliga datainsamlingsmetoderna som tas upp i litteraturen är intervjuer, enkäter och observationer.

Kapitel 8: Dataanalys
För att kunna analysera en rådatamängd måste man först bedöma ifall datamängden som samlats in är kvalitativ eller kvantitativ då dessa bör hanteras olika.

Kvantitativ data kan beskrivas med siffror. Denna typ av data kan hämtas in med alla typer av datainsamlingsmetoder. Exempel på kvantitativ data är ålder.

Kvalitativ data är mer djupgående data som inte enbart kan beskrivas numeriskt. Denna typ av data kan hämtas från exempelvis beskrivningar och citat. Denna typ av data kan hämtas in genom alla typer av datainsamlingsmetoder.

Kvantitativ data analyseras med hjälp av statistiska metoder så som att räkna ut genomsnitt, median och typvärde. Kvantitativ data kan lätt visualiseras med hjälp av tabeller och diagram.

Att analysera kvalitativ data handlar mycket om att identifiera återkommande trender, mönster och korrelationer som man kan dra slutsatser från, ifall de ses som relevanta för frågeställningen. Kvalitativ data kan kategoriseras för att underlätta analys av datamängden. Kategoriseringen kan ske enligt ett så kallat kategoriserings schema (eng. categorization scheme).

Kapitel 10: Identifiera behov och fastställande av krav 

För att producera en bra interaktiv produkt måste man först identifiera behov och fastställa krav inför produktionsprocessen. De två kraven som finns inom mjukvaruproduktion är funktionella och icke-funktionella krav. Den förstnämnda handlar om att sätta upp krav för vad produkten ska kunna göra medan den sistnämnda handlar om att bedöma vilka svårigheter det kan finnas med produktens produktion. Problemen som kan uppkomma under produktionen bör ha reflekterats över redan innan problemet stöts på. Andra aspekter så som miljön som produkten är verksam i samt för vilka människor som produkten är tillämpad för är exempel på frågor som bör adresseras tidigt i processen.

Datainsamling kan användas för att identifiera nya krav på produkten som kanske inte var så självklara innan. Att designa en bra produkt är alltså en cirkulär process där nya behov och krav identifieras hela tiden vilket ger upphov till en bättre design i slutändan.  

Reflektion 

Det som framgår tydligt i samtliga kapitel är att det krävs väldigt mycket förberedelser och konstant granskning av tidigare arbete för att slutprodukten ska bli så bra som möjligt. En stor anledning till detta skulle jag tro är att teknik är en bransch som utvecklas i raketfart och är väldig konkurrenskraftig och produkten måste därför alltid vara anpassad för nutiden för att matcha dagens efterfrågan.  

Hur viktigt är det att balansera kvantitativ och kvalitativ data och hur bör det göras i vårt projekt?